基于局部连接网络的光学断层肿瘤定位系统、方法和设备技术方案

本发明专利技术属于图像识别领域，具体涉及了一种基于局部连接网络的光学断层肿瘤定位系统、方法和设备，旨在解决现有的数理模型的近似求解造成误差的问题。本发明专利技术包括：获取待检测部位的CT结构图像；构建待测对象肿瘤原位模型，通过光学相机获取待测对象的肿瘤光学图像；通过分段线性灰度变换法进行图像增强，并采用双边高斯滤波方法进行去噪，获得增强去噪的光学图像；将所述增强去噪的光学图像映射到所述CT网格化结构数据，获得表面光信号强度分布图像基于所述表面光信号强度分布信息，通过基于注意力机制局部连接网络获取肿瘤定位信息。本发明专利技术通过学习表面光子强度和实际光源分布信息之间的复杂关系，从根本上避免了传统基于数理模型的近似误差。型的近似误差。型的近似误差。

【技术实现步骤摘要】
基于局部连接网络的光学断层肿瘤定位系统、方法和设备


[0001]本专利技术属于图像识别领域，具体涉及了一种基于局部连接网络的光学断层肿瘤定位系统、方法和设备。

技术介绍

[0002]契伦科夫光学成像(CLI)是一种新型的光学分子影像模态，能够以临床核素成像使用的探针，结合光学优势和核素成像特点，实现肿瘤的高灵敏检测与精准定位，具有很好的临床应用前景。
[0003]传统基于数理模型的肿瘤定位方法通过辐射传输方程，构建前向模型来描述光子在生物体内的传播过程。引入先验条件将偏微分方程化简为线性方程组，从而逆向求解得到光源分布信息。由于辐射传输方程的复杂性，现有重建方法在进行简化的过程中丢失了部分原始信息。由于光子传输高散射，信息采集不完全，噪声干扰等因素，逆向问题中确定的表面光斑分布不一定对应唯一的光源。不同深度，形态，尺寸，强度的光源可能对应的相同的光斑。因此重建过程具有高病态性。如何精确、鲁棒实现光源信息重建，是契伦科夫光学断层成像重建面临的重大问题。

技术实现思路

[0004]为了解决现有技术中的上述问题，即现有的数理模型的近似求解造成误差不可避免的问题，本专利技术针对逆向求解过程提供了一种基于局部连接网络的光学断层肿瘤定位系统，可以端对端的学习表面光斑和实际光源的关系，从根本上避免传统数理模型简化带来的误差，提高重建结果的精确性和稳定性。所述系统包括：CT图像采集模块、光学图像获取模块、增强去噪模块、映射配准模块和肿瘤定位模块；
[0005]所述CT图像采集模块，配置为获取待检测部位的CT投影数据，将所述CT投影数据通过FeldKamp(FDK算法)进行锥形束重建，获得CT结构图像；
[0006]所述CT结构图像为体素数据，对其进行网格化，得到CT网格化结构数据；
[0007]所述光学图像获取模块，配置为构建待测对象肿瘤原位模型，通过光学相机获取待测对象肿瘤区域的契伦科夫光学图像；
[0008]所述增强去噪模块，配置为基于所述目标肿瘤契伦科夫光学图像，通过分段线性灰度变换法进行图像增强，并采用双边高斯滤波方法进行去噪，获得增强去噪的光学图像；
[0009]所述映射配准模块，配置为基于所述增强去噪的光学图像，通过针孔映射模型，将所述增强去噪的光学图像映射到所述CT网格化结构数据表面，获得表面光信号强度分布信息；
[0010]所述肿瘤定位模块，配置为基于所述表面光信号强度分布信息，通过训练好的基于注意力机制局部连接网络获取肿瘤定位信息；
[0011]所述基于注意力机制局部连接网络，包括顺次连接的全连接子网络和局部连接子网络，并通过复杂光源数据集训练获得。
[0012]在一些优选的实施方式中，所述基于注意力机制局部连接网络，包括顺次全连接子网络和局部连接子网络；
[0013]其中，所述全连接子网络包括4个全连接层，全连接层采用ReLu激活函数；所述局部连接子网络包括5个局部连接层。
[0014]在一些优选的实施方式中，所述基于注意力机制局部连接网络，在输入所述表面光信号强度分布信息后，通过所述全连接子网络生成粗略重建结果；
[0015]基于所述粗略重建结果；将其各个维度的光强信息累加，得到多维粗略重建结果向量；通过SoftMax函数对所述多维粗略重建结果向量的各个维度进行权值计算，将权重大于预设的第一阈值的维度标注为1，权重小于或等于预设的第一阈值的维度标注为0，所述第一阈值优选设置为0.0001，进而将粗略重建结果向量转换为第一0、1向量；基于表面光斑对应的真实光源空间分布信息，获得第二0、1向量，依据第一0、1向量和第二0、1向量组合获得注意力矩阵；
[0016]基于所述注意力矩阵，调节局部连接子网络的连接关系；具体为，将局部连接子网络各部分初始化为1，根据获得的注意力矩阵中的0、1参数分别控制子网络层与层之间连接方式；注意力矩阵中0点代表不连接，1表连接；
[0017]基于所述粗略重建结果，通过所述局部连接子网络生成粗略结果与表面光斑对应的真实光源空间分布信息的残差信息；
[0018]将所述粗略重建结果与所述残差信息加和获得最后结果，所述最后结果包含肿瘤定位信息。
[0019]在一些优选的实施方式中，全连接神经子网络输入层的神经元数等于网格化数字待测对象头部表面顶点数，其他各网络层的神经元数等于网格化数字待测对象大脑的顶点数。
[0020]在一些优选的实施方式中，所述基于注意力机制局部连接网络，其训练方法包括：
[0021]步骤B100，获取标准的蒙特卡洛单光源仿真数据集和大光源仿真数据集，并划分为训练集和测试集；
[0022]步骤B200，随机选取位置不同的两个单光源仿真数据集组合生成双光源仿真数据集，加入训练集和测试集；
[0023]步骤B300，基于训练集，通过所述基于注意力机制局部连接网络获取训练集最后结果；
[0024]步骤B400，每轮通过训练集生成训练集最后结果之后，基于测试集通过所述基于注意力机制局部连接网络获取测试集最后结果；
[0025]步骤B500，通过Adam算法调节网络参数，直至训练集最后结果的损失函数低于预设的阈值且测试集最后结果的损失函数呈现上升趋势，获得训练好的基于注意力机制局部连接网络。
[0026]在一些优选的实施方式中，所述基于注意力机制局部连接网络的训练优选设置学习率为0.001，β1＝0.9，β2＝0.99。
[0027]在一些优选的实施方式中，所述映射配准模块，包括图像标记单元、透镜中心确定单元和所述光信号强度分布获取单元；
[0028]所述图像标记单元，配置为通过手动勾画的方式在所述CT结构图像和增强去噪的
光学图像上划定标记点，确定标记点的三维坐标和二维坐标；
[0029]所述透镜中心确定单元，配置为对于每个标记点，在标记点的X,Y,Z三个方向在预设范围内遍历，构建残差函数，迭代求解使残差函数取最小值，将CT结构图像映射到增强去噪的光学图像上，映射后的坐标值与增强去噪的光学图像本身的标记点偏差最小值对应的重心坐标为透镜中心；
[0030]所述光信号强度分布获取单元，配置为通过透镜中心的坐标，将增强去噪的光学图像映射到CT网格化结构数据表面，获得表面光信号强度分布结果。
[0031]本专利技术的另一方面，提出了一种基于局部连接网络的光学断层肿瘤定位方法，包括：
[0032]步骤S100，获取待检测部位的CT投影数据，将所述CT投影数据通过FeldKamp(FDK算法)进行锥形束重建，获得CT结构图像；
[0033]所述CT结构图像为体素数据，对其进行网格化，得到CT网格化结构数据；
[0034]步骤S200，构建待测对象肿瘤原位模型，通过光学相机获取待测对象肿瘤区域的契伦科夫光学图像；
[0035]步骤S300，基于所述待测对象肿瘤区域的契伦科夫光学图像，通过分段线性灰度变换法进行图像增强，并采用双边高斯滤波方法进行去噪，获得增强去噪的光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部连接网络的光学断层肿瘤定位系统，其特征在于，所述系统包括：CT图像采集模块、光学图像获取模块、增强去噪模块、映射配准模块和肿瘤定位模块；所述CT图像采集模块，配置为获取待检测部位的CT投影数据，将所述CT投影数据通过FeldKamp(FDK算法)进行锥形束重建，获得CT结构图像；所述CT结构图像为体素数据，对其进行网格化，得到CT网格化结构数据；所述光学图像获取模块，配置为构建待测对象肿瘤原位模型，通过光学相机获取待测对象肿瘤区域的契伦科夫光学图像；所述增强去噪模块，配置为基于所述目标肿瘤契伦科夫光学图像，通过分段线性灰度变换法进行图像增强，并采用双边高斯滤波方法进行去噪，获得增强去噪的光学图像；所述映射配准模块，配置为基于所述增强去噪的光学图像，通过针孔映射模型，将所述增强去噪的光学图像映射到所述CT网格化结构数据表面，获得表面光信号强度分布信息；所述肿瘤定位模块，配置为基于所述表面光信号强度分布信息，通过训练好的基于注意力机制局部连接网络获取肿瘤定位信息；所述基于注意力机制局部连接网络，包括顺次连接的全连接子网络和局部连接子网络，并通过复杂光源数据集训练获得。2.根据权利要求1所述的基于局部连接网络的光学断层肿瘤定位系统，其特征在于，所述基于注意力机制局部连接网络，包括顺次全连接子网络和局部连接子网络；其中，所述全连接子网络包括4个全连接层，全连接层采用ReLu激活函数；所述局部连接子网络包括5个局部连接层。3.根据权利要求1所述的基于局部连接网络的光学断层肿瘤定位系统，其特征在于，所述基于注意力机制局部连接网络，在输入所述表面光信号强度分布信息后，通过所述全连接子网络生成粗略重建结果；基于所述粗略重建结果；将其各个维度的光强信息累加，得到多维粗略重建结果向量；通过SoftMax函数对所述多维粗略重建结果向量的各个维度进行权值计算，将权重大于预设的第一阈值的维度标注为1，权重小于或等于预设的预设的第一阈值的维度标注为0，所述第一阈值优选设置为0.0001，进而将粗略重建结果向量转换为第一0、1向量；基于表面光斑对应的真实光源空间分布信息，获得第二0、1向量，依据第一0、1向量和第二0、1向量组合获得注意力矩阵；基于所述注意力矩阵，调节局部连接子网络的连接关系；具体为，将局部连接子网络各部分初始化为1，根据获得的注意力矩阵中的0、1参数分别控制子网络层与层之间连接方式；注意力矩阵中0点代表不连接，1表连接；基于所述粗略重建结果，通过所述局部连接子网络生成粗略结果与表面光斑对应的真实光源空间分布信息的残差信息；将所述粗略重建结果与所述残差信息加和获得最后结果，所述最后结果包含肿瘤定位信息。4.根据权利要求3所述的基于局部连接网络的光学断层肿瘤定位系统，其特征在于，全连接神经子网络输入层的神经元数等于网格化数字待测对象头部表面顶点数，其他各网络层的神经元数等于网格化数字待测对象大脑的顶点数。5.根据权利要求1所述的基于局部连接网络的光学断层肿瘤定位系统，其特征在于，所
述基于注意力机制局部连接网络，其训练方法包括：步骤B100，获取标准的蒙特卡洛单光源仿真数据集和大光源仿...

【专利技术属性】
技术研发人员：田捷，胡振华，张笑宁，郭李爽，张泽宇，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：