一种基于模型的深度学习扩散光学层析成像方法技术

本发明专利技术公开了一种基于模型的深度学习扩散光学层析成像方法，属于医学图像处理领域。提出将卷积神经网络(CNN)构建正则化算子，并结合光传输模型直接重建生物组织的光学特性参数分布。实现从数据域到图像域的直接重建。

【技术实现步骤摘要】
一种基于模型的深度学习扩散光学层析成像方法
本专利技术属于医学图像处理领域，涉及基于深度学习进行扩散光学层析成像图像重建的方法。
技术介绍
扩散光学层析成像(Diffuseopticaltomography，DOT)是一种利用近红外光入射生物组织从而获得组织体功能信息的新型光学成像诊断技术，具有无创、非入侵的优点。DOT已广泛应用于脑功能检测、组织内血红蛋白检测、早期乳腺癌检测等诸多医疗场景。DOT成像原理为：使用波段范围为600nm-950nm的近红外光照射组织，并利用光学探测器采集组织散射出的近红外光，进而通过图像重建方法反演生物组织内部的光学特性参数。对于DOT图像重建，由于光学探测器采集的测量值数量远远小于生物组织光学参数的数量，从而导致图像重建具有严重的病态性。为减低图像重建过程中的病态性，常用的重建方法主要是基于数值的重建方法。基于数值的重建方法，主要是基于最小二乘和稀疏的方法，即通过增加L1正则化或L2正则化的方法将近红外光图像重建问题转变为一个非线性的最优化问题。但是基于正则化的图像重建方法往往会导致重建本文档来自技高网...

【技术保护点】
1.一种基于模型的深度学习扩散光学层析成像重建方法，其特征在于：/n基于卷积神经网络CNN构建正则化算子，并结合光传输模型直接重建生物组织的光学特性参数分布；/n基于光传输模型和正则化理论，将扩散光学层析成像图像重建问题变为求解下面的最优化问题：/n

【技术特征摘要】
1.一种基于模型的深度学习扩散光学层析成像重建方法，其特征在于：
基于卷积神经网络CNN构建正则化算子，并结合光传输模型直接重建生物组织的光学特性参数分布；
基于光传输模型和正则化理论，将扩散光学层析成像图像重建问题变为求解下面的最优化问题：



其中，Ω(μ)关于待求解的光学特性参数μ的代价函数，φM是测量的真实光强值，φC是计算光传输模型得到的光强值，μ是未知的光学特性参数，λ是正则化参数，其值通过网络训练学习得到，Dw(μ)是卷积神经网络；
为优化求解(1)，求Ω(μ)关于光学特性参数μ的一阶导数，并置于零，得到：



其中，Ω(μ)关于μ的代价函数，J是雅克比矩阵，其值为δφ＝φM-φC(μ)是测量的光强值和计算光传输模型得到的光强值之差，T为矩阵的转置；
φC(μ)用第i次迭代重建的μi来近似，并利用泰勒公式将φC(μi)展开，并忽略高阶项，得到公式(3)
φC(μi)＝φC(μi-1)+Ji-1Δμi(3)
其中，Ji是第i次迭代的雅克比矩阵，Δμi＝μ...

【专利技术属性】
技术研发人员：冯金超，魏承朴，贾克斌，孙中华，李哲，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11