【技术实现步骤摘要】
一种重建光声内窥层析图像的方法
本专利技术涉及医学成像
领域，特别是涉及一种重建光声内窥层析图像的方法及系统。
技术介绍
光声层析成像(photoacoustictomography,PAT)是一种基于生物组织光声效应的非电离功能成像方法，其成像参数是组织的光吸收系数和散射系数，可以实现高分辨率和高对比度的软组织深层成像。PAT的原理是采用短脉冲激光照射生物组织，组织吸收光能量后受热膨胀产生瞬时压力，并向外辐射宽带(10kHz～100MHz)超声波，即光声信号。声压的幅值与脉冲激光的强度成正比，反映组织的光吸收特性。超声换能器接收来自不同方向、不同位置的光声信号，送入计算机后采用合适的算法即可反演得到组织内部的初始声压或者光吸收能量的空间分布图，直观显示组织的内部结构。在此基础上还可估算组织的光学特性参数的空间分布，反映组织的功能成分。对于光声内窥层析成像(如血管内光声成像)，由于腔道内封闭成像几何的特殊性，受成像导管的机械结构、空间位置及成像时间等的限制，超声探测器往往只能进行有限角度的扫描，采集到稀疏的光声...
【技术保护点】
1.一种重建光声内窥层析图像的方法，其特征在于，包括：/n获取用于光声内窥层析成像稀疏重建问题的光声数据集；/n根据所述光声数据集，得到腔体横截面的光吸收分布图，所述光吸收分布图包括测试集和训练集；/n构建前向传播神经网络模型；/n采用所述训练集和测试集对所述前向传播神经网络模型进行训练和测试，得到优化后的神经网络模型；/n根据所述优化后的神经网络模型对所述腔体横截面的光吸收分布图进行预测，得到预测的光声内窥层析图像。/n
【技术特征摘要】
1.一种重建光声内窥层析图像的方法，其特征在于，包括：
获取用于光声内窥层析成像稀疏重建问题的光声数据集；
根据所述光声数据集，得到腔体横截面的光吸收分布图，所述光吸收分布图包括测试集和训练集；
构建前向传播神经网络模型；
采用所述训练集和测试集对所述前向传播神经网络模型进行训练和测试，得到优化后的神经网络模型；
根据所述优化后的神经网络模型对所述腔体横截面的光吸收分布图进行预测，得到预测的光声内窥层析图像。
2.根据权利要求1所述的重建光声内窥层析图像的方法，其特征在于，所述获取用于光声内窥层析成像稀疏重建问题的光声数据集，具体包括：
通过超声探测器采集全角度扫描的完备光声数据集和有限角度扫描的稀疏光声数据集。
3.根据权利要求2所述的重建光声内窥层析图像的方法，其特征在于，所述根据所述光声数据集，得到腔体横截面的光吸收分布图，所述光吸收分布图包括测试集和训练集，具体包括：
根据所述光声数据集采用公式得到腔体横截面的光吸收分布图；
其中，Φ(k)(r)是由第k个光声数据集重建出的位置r处的光吸收能量；是的第j个元素，i＝1,2,...,n，j＝1,2,...,l；Cp是组织的比热容；c是超声波在组织中的传播速度；β是组织的体积膨胀温度系数；r0是超声探测器与图像平面中心点之间的距离矢量；φ0是超声探测器与X轴之间的夹角；t是超声波从位置r处到超声探测器的传播时间；d是微分符号；是偏导符号；
将根据有限角度扫描的稀疏光声数据集重建出的光吸收分布图作为样本的输入图像，将根据全角度扫描的完备光声数据集重建出的图像作为样本的目标图像，构建数据集；
将所述数据集中的所有样本随机打乱，按照7:3的比例将所述数据集划分为训练集和测试集。
4.根据权利要求1所述的重建光声内窥层析图像的方法，其特征在于，所述采用所述训练集和测试集对所述前向传播神经网络模型进行训练和测试，得到优化后的神经网络模型，具体包括：
采用所述训练集对所述前向传播神经网络模型进行训练，得到训练后的神经网络模型；
采用所述测试集对所述训练后的神经网络模型进行测试，更新所述训练后的神经网络模型的参数，得到优化后的神经网络模型。
5.根据权利要求3所述的重建光声内窥层析图像的方法，其特征在于，所述根据所述优化后的神经网络模型对所述腔体横截面的光吸收分布图进行预测，得到预测的光吸收分布图，具体包括：
将所述有限角度扫描的稀疏光声数据重建出的光吸收分布图像输入至所述优化后的神经网络模型，得到预测的光声内窥层...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。