一种用于重建EPAT图像的深度学习方法及系统技术方案

本发明专利技术涉及一种用于重建EPAT图像的深度学习方法及系统，方法包括，构造用于有限角度光声内窥层析成像EPAT图像重建的深度学习数据集；所述数据集包括：训练集、验证集和测试集；建立前向传播的卷积神经网络模型；基于所述训练集、验证集和测试集对所述卷积神经网络模型中的网络参数进行逐层训练、验证和优化，得到优化后的卷积神经网络模型；将所述测试集输入至所述优化后的卷积神经网络模型中得到光吸收能量分布图像。本发明专利技术中的上述方法能够从有限角度扫描采集的光声信号中重建高质量的腔体横截面光吸收能量分布图。

A deep learning method and system for reconstructing EPAT image

【技术实现步骤摘要】
一种用于重建EPAT图像的深度学习方法及系统
本专利技术涉及医学成像领域，特别是涉及一种用于重建EPAT图像的深度学习方法及系统。
技术介绍
光声内窥层析成像(Endoscopicphotoacoustictomography,EPAT)将无创的光声层析成像(Photoacoustictomography，PAT)和内窥检测技术相结合，可对生物腔体组织(如鼻腔、消化道以及动脉血管等)进行功能性成像，显示腔体横截面的形态结构和组织功能成分。受腔道的几何结构、成像导管的机械结构和空间位置以及成像时间等的限制，超声探测器在腔道内有时只能进行有限角度的扫描，采集到不完备的光声信号数据。若采用标准图像重建方法(如滤波反投影和时间反演等)对不完备的光声数据进行图像重建，会导致图像中出现严重的下采样伪影和失真。
技术实现思路
本专利技术的目的是提供一种用于重建EPAT图像的深度学习方法及系统，从有限角度扫描采集的光声信号中重建高质量的腔体横截面光吸收能量分布图。为实现上述目的，本专利技术提供了如下方案：一种用于重建EPAT本文档来自技高网...

【技术保护点】
1.一种用于重建EPAT图像的深度学习方法，其特征在于，所述方法包括：/n构造用于有限角度光声内窥层析成像EPAT图像重建的深度学习数据集；所述数据集包括：训练集、验证集和测试集；/n建立前向传播的卷积神经网络模型；/n基于所述训练集、验证集和测试集对所述卷积神经网络模型中的网络参数进行逐层训练、验证和优化，得到优化后的卷积神经网络模型；/n将所述测试集输入至所述优化后的卷积神经网络模型中得到光吸收能量分布图像。/n

【技术特征摘要】
1.一种用于重建EPAT图像的深度学习方法，其特征在于，所述方法包括：
构造用于有限角度光声内窥层析成像EPAT图像重建的深度学习数据集；所述数据集包括：训练集、验证集和测试集；
建立前向传播的卷积神经网络模型；
基于所述训练集、验证集和测试集对所述卷积神经网络模型中的网络参数进行逐层训练、验证和优化，得到优化后的卷积神经网络模型；
将所述测试集输入至所述优化后的卷积神经网络模型中得到光吸收能量分布图像。


2.根据权利要求1所述的用于重建EPAT图像的深度学习方法，其特征在于，所述构造用于有限角度光声内窥层析成像EPAT图像重建的深度学习数据集具体包括：
建立腔体横截面积的仿真模型；
对所述腔体横截面积的仿真模型中成像导管在每个测量角度从横截面中心沿径向发射激光脉冲照射周围组织，以及光子在组织中传播的过程进行数值仿真，得到仿真结果；
根据所述仿真结果通过求解扩散近似方程得到腔体横截面上各处的光吸收能量密度，进而得到光吸收能量分布图；
通过求解光声波动方程，得到组织中产生的光声信号；
将仿真得到的所述光声信号作为数据集中样本的输入，将仿真得到的所述光吸收能量分布图作为样本的期望输出，得到适用于有限角度EPAT图像重建的深度学习数据集；
将所述深度学习数据集中的所有样本随机打乱，按照比例划分为训练集、验证集和测试集；
将所述训练集A中的样本平均分为N组，每组为一个小批量训练集，包含M个样本。


3.根据权利要求1所述的用于重建EPAT图像的深度学习方法，其特征在于，所述建立前向传播的卷积神经网络模型具体包括：
步骤1：确定卷积神经网络结构和参数；其中，卷积操作采用的滤波核尺寸为5×5×T，T为当前层输入的特征图数量，卷积方式采用步长为1的same卷积，网络单元的两个输入图像的滤波核初始数量均为channels＝16，激活函数采用线性整流函数ReLU，通过远跳连接将网络单元的初始输入与输出图像进行像素值求和，得到当前层的输出图像；
步骤2：初始化卷积神经网络参数；
步骤3：计算卷积神经网络中第k层网络结构单元的输入；

H为EPAT成像的前向算子，即由光吸收能量得到组织产生的光声信号；H*是H的伴随算子；是数据拟合信息；yi是数据集中第i个样本的光声信号；是数据集中第i个样本经过第k次迭代后输出的光吸收能量分布图；i是训练集中的样本序号；
步骤4：令卷积次数covn＝0，特征通道数channels＝16；
步骤5：将训练集中N组中的第1组的M个样本输入CNN，作为特征图mapc，即输入图像经第c-1次卷积后产生的特征图层；
步骤6：对mapc通过多个特征通道并行地执行卷积操作，产生多组线性激活响应，计算线性激活响应对应的ReLU函数值，得到卷积操作的特征图层；
步骤7：令c＝c+1，covn＝covn+1，channels＝channels+2。
步骤8：执行所述步骤6，之后转步骤9。
步骤9：令c＝c+1，covn＝covn+1，mapc＝mapc1+mapc2，其中mapc1是经过covn次卷积后的特征图，mapc2是经过covn次卷积后的特征图；为第k次迭代输出的光吸收能量分布图像，为数据拟合信息；
步骤10：令channels＝channels/2，即，使特征图层数量减半；
步骤11：执行所述步骤6，之后转步骤12。
步骤12：令c＝c+1，covn＝covn+1，channels＝1；
步骤13：执行所述步骤6，之后转步骤14；
步骤14：令c＝c+1，covn＝covn+1，之后利用ReLU函数计算线性激活响应对应的函数值，得到卷积操作的特征图层；
步骤15：令k＝k+1，如果k＜5，转步骤16，否则返回步骤3；
步骤16：输出训练集中N组中的第1组中M个样本的预测图像，此时，c＝21。


4.根据权利要求1所述的用于重建EPAT图像的深度学习方法，其特征在于，所述基于所述训练集对所述卷积神经网络模型中的网络参数进行逐层训练、验证和优化，得到优化后的卷积神经网络模型具体包括：
步骤1：令k＝0，t＝0；k为网络的层序号，t为网络参数梯度累积的修正次数。
步骤2：初始化参数：遍历训练集中所有小批量训练集的次数epoch＝0；训练集中小批量训练集的索引I＝1；
步骤3：将训练集中的第I组小批量训练集AI中的M个样本输入至搭建好的CNN模型中进行前向传播；
步骤4：通过最小化下式逐层训练网络参数：



其中



式中，C(W,b)是AI中关于W和b的损失函数；W是网络的权重参数集；b是网络的偏置参数集；θk是第k个网络结构单元的参数；和分别是第k次和第k+1次迭代输出的光吸收能量分布图像；是仿真的光吸收能量分布图；是结构相同、具有不同学习参数θk的神经网络；yi是探测器测量的光声信号；是数据拟合信息：



步骤5：计算网络输出层各网络参数梯度：



其中，Z21是前向传播中第21层网络产生的线性激活响应；W21是第21层网络的权重参数矩阵；b21是第21层网络的偏置参数向量；X20是前向传播中第20层网络的输出，也是第21层的输入；表示矩阵的Hadamard乘法；σ'(Z21)(X20)是ReLU函数的一阶导数；上标T表示求矩阵的转置。
步骤6：计算输出层的误差向量δ21：



根据δ21递推得到第20层至第2层的误差向量：



其中，c＝20,19,…,3,2,1；δc是第c层网络的误差向量；
步骤7：计算每一层网络参数的梯度：



其中，c＝2,3,…,21；Wc是第c层网络的权重参数矩阵；bc是第c层网络的偏置参数向量；Zc是前向传播中第c层网络产生的线性激活响应；Xc-1是前向传播中第c-1层网络的输出；
步骤8：计算Momentum自适应动量指数加权平均...

【专利技术属性】
技术研发人员：孙正，王新宇，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13