一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法技术

本发明专利技术提供了一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，包括以下步骤：S1：分别在纯水介质时和有目标介质时的环形超声CT中获取各超声换能器接收到的原始数据，并获取各超声换能器接收信号的最早到达时间，绘制渡越时间差异图；S2：利用深度学习的方法来拟合声波折射影响带来的非线性映射，以折射矫正的方式将S1中绘制所得的带有折射影响的渡越时间差异图矫正为对应的无折射影响的渡越时间差异图；S3：利用直线假设下的吉洪诺夫正则化反演方法对S2中所得的无折射影响的渡越时间差异图进行重构，得到声速图像。通过本申请的公布，提高了重建结果的精度，并避免了多次迭代、正则化调参等繁琐步骤。正则化调参等繁琐步骤。正则化调参等繁琐步骤。

【技术实现步骤摘要】
一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法


[0001]本专利技术涉及生物医学超声学中的超声断层成像
，更具体涉及一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法。

技术介绍

[0002]超声CT声速重建技术是一种极具潜力的新型成像方式，以其无辐射性的，价格低廉，可产生定量的三维图像等优点展现出了很大优势。该技术以一环形的超声换能器阵列作为测量装置，通过换能器之间相互发射和接收超声波的方式来对目标物体的结构进行探测，然后利用各换能器接收到的超声信号来重构出超声CT声速图像。该技术可以通过重建在乳腺内的声速分布来区分正常腺体与癌变组织，甚至可以区分不同种类的肿瘤。
[0003]目前的超声CT声速重建方法主要分为两类：基于波形反演法和基于射线理论的方法。基于波形反演的方法使用全波方程对传播波场进行建模，因此考虑了衍射和多次散射等高阶效应，可以获得更好的重建质量。但是该类方法计算量往往十分巨大、难以实现。基于射线理论的方法主要利用各发射信号的到达时间来进行重构，忽略了传播过程中的衍射效应，因此计算量较小，易于实现，但是重构精度较低。其中基于射线理论的方法又可分为直线路径法和弯曲路径法，直线射线法假设声波在目标介质中的传播路径为直线，因此实现简单，但是质量较低。弯曲射线法考虑了声波在目标介质中传播时的折射影响，因此重构精度更高，但是需要利用迭代的利用射线追踪法来确定声波的折射传播路径，因此重构时间大大增加。
[0004]有鉴于此，有必要对现有技术中的成像方法予以改进，以解决上述问题。

技术实现思路

[0005]本专利技术的目的在于公开能够减小计算量，简化步骤，加快图像重构速度，以及提高图像重建精度，从而增强实用性的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法。
[0006]为实现上述目的，本专利技术提供了一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，包括以下步骤：
[0007]S1：分别在纯水介质时和有目标介质时的环形超声CT中获取各超声换能器接收到的原始数据，并获取各超声换能器接收信号的最早到达时间，绘制渡越时间差异图；
[0008]S2：利用深度学习的方法来拟合声波折射影响带来的非线性映射，以折射矫正的方式将S1中绘制所得的带有折射影响的渡越时间差异图矫正为对应的无折射影响的渡越时间差异图；
[0009]S3：利用直线假设下的吉洪诺夫正则化反演方法对S2中所得的无折射影响的渡越时间差异图进行重构，得到声速图像。
[0010]作为本专利技术的进一步改进，所述S2中采用深度神经网络作为深度学习技术的实施
方式，可采用U
‑
net网络但不限于U
‑
net网络。
[0011]作为本专利技术的进一步改进，所述U
‑
net的网络结构包括三个部分：
[0012]a1，多次卷积和池化；
[0013]a2，与a1相对应层次的多次反卷积和上采样；
[0014]a3，不同层次上的特征拼接，将不同尺度的特征信息进行融合，让网络能够同时利用到输入图像的细节特征以及较大尺度特征。
[0015]作为本专利技术的进一步改进，所述S2中采用了两种训练集制作方式，方式一为利用仿真数据来制作训练集，方式二为利用真实实验数据并结合全波方程反演的方法来制作训练集。
[0016]作为本专利技术的进一步改进，所述方式一具体步骤如下：
[0017]b1，制作用于真值参考的声速分布，包括简单几何形状的叠加以及核磁共振图像划分的声速区域；
[0018]b2，利用波动方程对制作的声速分布进行前向建模，获取仿真超声数据；
[0019]b3，提取出仿真信号的最早到达时间，绘制渡越时间差异图，作为训练集的输入部分；
[0020]b4，根据各换能器之间的直线路径制作前向传播矩阵，利用前向传播矩阵将制作的声速分布转换成无折射影响时的渡越时间差异图，作为训练集输出部分。
[0021]作为本专利技术的进一步改进，所述方式二的具体步骤如下：
[0022]c1，利用环形超声CT装置采集真实实验数据，提取出真实实验信号的最早到达时间，绘制渡越时间差异图，作为训练集的输入部分；
[0023]c2，利用全波方程反演的方法对采得的实验信号进行重构，得到高分辨率的声速重构图像，将该图像作为声速分布的参考真值；
[0024]c3，根据各换能器之间的直线路径制作前向传播矩阵，利用前向传播矩阵将全波方程反演所得的声速分布转换成无折射影响时的渡越时间差异图，作为训练集的标签。
[0025]作为本专利技术的进一步改进，所述提取信号的最早到达时间的方法采用 AIC方法。
[0026]作为本专利技术的进一步改进，所述S2步骤中的网络训练过程如下：
[0027]d1，将制作好的训练集输入到深度神经网络中，对所述深度神经网络进行训练；
[0028]d2，利用反向传播不断调整深度神经网络的权重，更新所述深度神经网络的结构参数，得到具有最优全局参数矩阵的深度神经网络。
[0029]作为本专利技术的进一步改进，所述S3步骤具体如下：
[0030]e1，将待测区域离散化为一个M
×
M大小的矩阵；
[0031]e2，将所述e1中的矩阵转化为一维向量S，大小为M2×
1；
[0032]e3，将S2中得到的无折射影响的渡越时间差异图转换为一维向量大小为N2×
1，N为环形超声换能器的数量。
[0033]e4,利用最小二乘法获取吉洪诺夫正则化反演矩阵，并将该矩阵与一维展开后的无折射影响的渡越时间差异图相乘，获取最终的重构图像在声波传播路径为直线的假设下，重构近似满足以下方程:
[0034][0035]其中L为直线假设下的前向传播矩阵大小为N2×
M2，采用正则化的方式来求解，吉洪诺夫正则化方法的最小化下列方程：
[0036][0037]其中α表示可调整的正则化参数，表示二范数。由最小二乘法可求得吉洪诺夫正则化反演矩阵，并将该矩阵与一维展开后的无折射影响的渡越时间差异图相乘，获取最终的重构图像
[0038][0039]其中I表示单位矩阵。
[0040]与现有技术相比，本专利技术的有益效果是：
[0041](1)本专利技术采用深度学习技术来拟合折射影响带来的非线性映射，可以免去多次迭代的射线追踪步骤，也无需解算复杂的全波方程，通过折射矫正的方式直接将有折射影响的渡越时间差异图矫正为无折射影响的渡越时间差异图，大大减少了计算量，从而提高了重构速度。
[0042](2)本专利技术通过深度学习与吉洪诺夫正则化反演结合的方式可以较为显著提高超声CT声速图像的重建精度。
附图说明
[0043]图1为本专利技术一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法中S1的渡越时间差异图；
[0044]图2为本专利技术一种结合深度学习与吉洪诺夫正则化反演的超声本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，包括以下步骤：S1：分别在纯水介质时和有目标介质时的环形超声CT中获取各超声换能器接收到的原始数据，并获取各超声换能器接收信号的最早到达时间，绘制渡越时间差异图；S2：利用深度学习方法来拟合声波折射影响带来的非线性映射，以折射矫正的方式将S1中绘制所得的带有折射影响的渡越时间差异图矫正为对应的无折射影响的渡越时间差异图；S3：利用直线假设下的吉洪诺夫正则化反演方法对S2中所得的无折射影响的渡越时间差异图进行重构，得到声速图像。2.根据权利要求1所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述S2中采用深度神经网络来对有折射影响的渡越时间差异图进行折射矫正，将其矫正为无折射的渡越时间差异图，使其更适合于无折射假设下的吉洪诺夫正则化反演方法；所述深度神经网络采用U
‑
net网络。3.根据权利要求2所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述U
‑
net的网络结构包括三个部分：a1，多次卷积和池化；a2，与a1相对应层次的多次反卷积和上采样；a3，不同层次上的特征拼接，将不同尺度的特征信息进行融合，让网络能够同时利用到输入图像的细节特征以及较大尺度特征。4.根据权利要求1所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述S2中采用了两种训练集制作方式，方式一为利用仿真数据来制作训练集，方式二为利用真实实验数据并结合全波方程反演的方法来制作训练集。5.根据权利要求4所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述方式一具体步骤如下：b1，制作用于真值参考的声速分布，包括简单几何形状的叠加以及核磁共振图像划分的声速区域；b2，利用波动方程对制作的声速分布进行前向建模，获取仿真超声数据；b3，提取出仿真信号的最早到达时间，绘制渡越时间差异图，作为训练集的输入部分；b4，根据各换能器之间的直线路径制作前向传播矩阵，利用前向传播矩阵将制作的声速分布转换成无折射影响时的渡越时间差异图，作为训练集输出部分。6.根据权利要求4所述的一...

【专利技术属性】
技术研发人员：屈晓磊，
申请(专利权)人：苏州二向箔科技有限公司，
类型：发明
国别省市：