一种磁声耦合成像的电导率重建方法及相关设备技术

本发明专利技术提供了一种磁声耦合成像的电导率重建方法及相关设备，根据电流密度矢量与电导率之间的对应关系，建立磁声耦合成像模型，并基于所述磁声耦合成像模型得到电流密度矢量与之相配对的电导率为样本对构成的训练数据集，并利用所述训练数据集对预设神经网络模型进行训练，得到训练完成的神经网络，最后通过所述神经网络快速且清晰地重建出电导率分布。在逆问题缺乏显式解的情况下，本发明专利技术提供一套基于神经网络重建电导率的方法，为构建出分布复杂、更接近临床情况的电导率图像提供了可靠并高效的方案。针对声耦合成像的样本中边缘较不突出的电导率变化，本发明专利技术中所提供的神经网络能准确、快速地重建出电导率分布。

【技术实现步骤摘要】
一种磁声耦合成像的电导率重建方法及相关设备
本专利技术涉及磁声成像
，尤其涉及的是一种磁声耦合成像的电导率重建方法及相关设备。
技术介绍
感应式磁声成像可以有效的避免低电导率组织的屏蔽效应以及注入电流的安全问题，是多物理场耦合的功能成像技术的标志性进展。因为在实际采集激发出来的磁声信号时，超声探测器的实际带宽、尺寸、数目、探测角度和扫描方式都会影响电导率的重建结果，尽管感应式磁声成像在数值理论上已经在仿真中得到了很好的验证，但是还是很难有效的应用到实际实验中去。目前基于电导率重建的大多数算法都不能解决重建速度以及重建质量的问题，只能重建出粗糙的边界或者较为明显的分界处，并且重建出的电导率大多数是基于电导率均匀分布的假设，这种边界不连续性在电导率重建过程中就会在电导率梯度处造成奇异值的出现从而使重建中出现伪影。由于在实际临床实验中，肿瘤的电导率并不是均匀变化的，这使得难以有效的应用到临床中去。或者就目前对于重建电导率的算法，难以清晰的且快速的重建出组织电导率，且针对形状较为任意几何形状、电导率非均匀分布的生物组织的电导率重建尚未有人深入开始研究。因此，现有技术有待于进一步的改进。
技术实现思路
鉴于上述现有技术中的不足之处，本专利技术的目的在于为用户提供一种磁声耦合成像的电导率重建方法及相关设备，克服现有技术中的电导率重建方法无法清晰且快速的重建出电导率的缺陷。本专利技术解决技术问题所采用的技术方案如下：第一方面，本实施例公开了一种磁声耦合成像的电导率重建方法，其中，包括步骤：构建磁声耦合成像模型，利用所述磁声耦合成像模型得到训练数据集；其中，所述训练数据集包括电流密度矢量样本数据和与所述电流密度矢量样本数据对应的电导率样本数据；将所述训练数据集输入预设神经网络，对所述预设神经网络进行训练，得到训练完成的神经网络；将电流密度矢量原始数据输入训练完成的神经网络，通过训练完成的神经网络得到与所述电流密度矢原始数据对应的电导率分布重建结果。可选的，所述构建磁声耦合成像模型，利用所述磁声耦合成像模型得到训练数据集的步骤包括：根据电流密度矢量与电导率之间的对应关系，构建线圈内磁声耦合成像模型；调整所述磁声耦合成像模型的电导率分布，获取在不同电导率分布对应的所述电流密度分布，将所述电导率样本和其所对应的电流密度分布组成所述电流密度矢量样本数据和电导率样本数据。可选的，所述调整所述磁声耦合成像模型的电导率分布，获取在不同电导率分布对应的所述电流密度分布的步骤包括：分别设置在不同形状的目标区域、所述目标区域内含有不同电导率区域分布和/或所述目标区域内含有不同电导率连续变化的情况下，所述磁声耦合成像模型对应的电流密度分布。可选的，所述构建磁声耦合成像模型，利用所述磁声耦合成像模型得到训练数据集的步骤包括：根据电流密度矢量与电导率之间的对应关系，构建磁声耦合成像模型；调整所述磁声耦合成像模型中电流密度的输入方向及输入个数，获取在不同电流密度的输入方向及输入个数的情况下，分别对应的所述电导率数据，将所述电流密度矢量和其所对应电导率数据的组成所述电流密度矢量样本数据和电导率样本数据。可选的，所述预设神经网络包括：生成网络模块和判别网络模块；所述将所述训练数据集输入预设神经网络，对所述预设神经网络进行训练，得到训练完成的神经网络的步骤包括：分别将训练数据集中含有的电流密度矢量样本数据输入到所述生成网络模块，通过所述生成网络模块得到与所述电流密度矢量样本数据对应的电导率分布预测数据；将所述初始电导率分布预测数据和电流密度矢量样本数据输入所述判别网络模块，通过所述判别网络模型输出对所述初始电导率分布预测数据的识别数据；根据电导率分布预测数据、识别数据、电流密度矢量样本数据和电导率样本数据对预设神经网络的参数进行修正，并重复执行将电流密度矢量样本数据输入所述生成网络模块，以及将所述电导率分布预测数据和所述电流密度矢量样本数据输入所述判别网络模块的步骤，直至所述判别网络模块输出的识别数据符合预设条件，得到训练完成的神经网络。在一种实施方式中，所述生成网络模块采用U-Net网络结构，所述判别网络结构采用PatchGAN网络结构。进一步的，所述根据电导率分布预测数据、识别数据、电流密度矢量样本数据和电导率样本数据对所述预设神经网络的参数进行修正的步骤包括：根据电导率分布预测数据、识别数据、电流密度矢量样本数据和电导率样本数据计算出模型总损失函数；根据模型总损失函数对预设神经网络进行参数修正。第二方面，本实施例还公开了一种磁声耦合成像的电导率重建系统，其中，包括：三维模型构建模块，用于构建磁声耦合成像模型，利用所述磁声耦合成像模型得到训练数据集；其中，所述训练数据集包括电流密度矢量样本数据和与所述电流密度矢量样本数据对应的电导率样本数据；模型训练模块，用于将所述训练数据集输入预设神经网络，对所述预设神经网络进行训练，得到训练完成的神经网络统；电导率重建模块，用于将电流密度矢量原始数据输入训练完成的神经网络，通过所述神经网络得到与所述电流密度矢量原始数据对应的电导率分布重建结果。第三方面，本实施例还公开了一种电子设备，其中，包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现所述的磁声耦合成像的电导率重建方法的步骤。第四方面、一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述的磁声耦合成像的电导率重建方法的步骤。有益效果，本专利技术提供了一种磁声耦合成像的电导率重建方法及相关设备，根据电流密度矢量与电导率之间的对应关系，建立磁声耦合成像模型，并基于所述磁声耦合成像模型得到电流密度矢量(多个电流密度方向作为输入)与之相配对的电导率为样本对构成的训练数据集，并利用所述训练数据集对预设神经网络进行训练，得到训练完成的电导率重建模型，最后通过所述电导率重建模型快速且清晰的重建出连续分布电导率。本专利技术中所提供的电导率重建方法为构建复杂分布更接近临床实验的电导率的问题提供了可行性，为智能类算法解决磁声成像提供了很好的可行性，为更清晰的更快速地重建出磁声成像的电导率提供了基础，为磁声耦合成像解决重建电导率问题中先验信息不足。在测试结果中，神经网络能清晰的重建出的复杂电导率分布系统准确率达0.99，并且能在先验信息不足的情况下也能准确的重建出电导率分布，深度学习算法结合大数据样本能为磁声成像提供了新的可能性和潜能。附图说明图1是本专利技术实施例提供的磁声耦合成像的电导率重建方法的步骤流程图；图2是本专利技术实施例构建出的磁声耦合成像模型的结构示意图；图3是本专利技术实施例中不同电导率边缘设置的电导率曲线及对应电导率分布图；图4是本专利技术实施例中不同高电导率分布的示本文档来自技高网...

【技术保护点】
1.一种磁声耦合成像的电导率重建方法，其特征在于，包括步骤：/n构建磁声耦合成像模型，利用所述磁声耦合成像模型得到训练数据集；其中，所述训练数据集包括电流密度矢量样本数据和与所述电流密度矢量样本数据对应的电导率样本数据；/n将所述训练数据集输入预设神经网络，对所述预设神经网络进行训练，得到训练完成的神经网络；/n将电流密度矢量原始数据输入训练完成的神经网络，得到与电流密度矢量原始数据对应的电导率分布重建结果。/n

【技术特征摘要】
1.一种磁声耦合成像的电导率重建方法，其特征在于，包括步骤：
构建磁声耦合成像模型，利用所述磁声耦合成像模型得到训练数据集；其中，所述训练数据集包括电流密度矢量样本数据和与所述电流密度矢量样本数据对应的电导率样本数据；
将所述训练数据集输入预设神经网络，对所述预设神经网络进行训练，得到训练完成的神经网络；
将电流密度矢量原始数据输入训练完成的神经网络，得到与电流密度矢量原始数据对应的电导率分布重建结果。


2.根据权利要求1所述的磁声耦合成像的电导率重建方法，其特征在于，所述构建磁声耦合成像模型，利用所述磁声耦合成像模型得到训练数据集的步骤包括：
根据电流密度矢量与电导率之间的对应关系，构建磁声耦合成像模型；
调整所述磁声耦合成像模型的电导率分布，获取不同电导率分布对应的所述电流密度分布，将所述电导率样本和其所对应的电流密度分布组成所述电流密度矢量样本数据和电导率样本数据。


3.根据权利要求2所述的磁声耦合成像的电导率重建方法，其特征在于，所述调整所述磁声耦合成像模型的电导率分布，获取在不同电导率分布对应的所述电流密度分布的步骤包括：
分别设置在不同形状的目标区域、所述目标区域内含有不同电导率区域分布和/或所述目标区域内含有不同电导率连续变化的情况下，所述磁声耦合成像模型对应的电流密度分布。


4.根据权利要求1所述的磁声耦合成像的电导率重建方法，其特征在于，所述构建磁声耦合成像模型，利用所述磁声耦合成像模型得到训练数据集的步骤包括：
根据电流密度矢量与电导率之间的对应关系，构建磁声耦合成像模型；
调整所述磁声耦合成像模型中电流密度的输入方向及输入个数，获取在不同电流密度的输入方向及输入个数的情况下，分别对应的所述电导率数据，将所述电流密度矢量和其所对应电导率数据的组成所述电流密度矢量样本数据和电导率样本数据。


5.根据权利要求1所述的磁声耦合成像的电导率重建方法，其特征在于，所述预设神经网络包括：生成网络模块和判别网络模块；
所述将所述训练数据集输入预设神经网络，对所述预设神经网络进行训练，得到训练完成的神经网络的步骤包括：
分别将训练数据集中含有...

【专利技术属性】
技术研发人员：潘奕凡，钱建庭，胡雨阳，刘强，余君强，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44