一种用于模拟光子传播的快速蒙特卡洛仿真方法技术

本发明专利技术属于光学领域，公开了一种用于模拟光子传播的快速蒙特卡洛仿真方法，该方法利用光子传播仿真结果训练数据库和生成对抗网络所获取的重建模型，从仅需输入少量光子且耗时较少的粗糙光子传播仿真结果，重建精细的光子传播仿真结果，在保证光子传播仿真精度的前提下极大地减少了仿真的时间消耗，因此具有重要的应用价值。的应用价值。的应用价值。

【技术实现步骤摘要】
一种用于模拟光子传播的快速蒙特卡洛仿真方法


[0001]本专利技术属于光学领域，涉及一种用于模拟光子传播的快速蒙特卡洛仿真方法。

技术介绍

[0002]蒙特卡洛仿真是一种基于物理量重复随机抽样的方法，它常被用于解决因随机变量的介入而过于复杂或用其它数学模型无法解决的问题。蒙特卡洛仿真由于其高度的灵活性和精确度，已成为仿真复杂结构介质中光子传播的最常用手段，尤其适用于模拟光子在生物组织中的传播。在蒙特卡洛仿真过程中，每个光子的随机传播结果将被记录下来，并做平均处理后，得到一个估计值，因此蒙特卡洛仿真理论上能够达到任何期望的仿真精度。但是，为了实现更高的仿真精度，通常需要更多数量的光子用于仿真，这将会导致计算量成倍的增长。蒙特卡洛仿真的时间效率问题已成为影响其仿真精度的主要限制，如何在保证仿真精度的前提下提高仿真速度已成为蒙特卡洛仿真领域亟需解决的关键技术瓶颈。

技术实现思路

[0003]针对现有蒙特卡洛仿真技术中存在的不足，本专利技术提出了一种用于模拟光子传播的快速蒙特卡洛仿真方法。该方法利用光子传播仿真结果训练数据库和基于生成对抗网络的重建模型，从仅需输入少量光子且耗时较少的粗糙光子传播仿真结果，重建精细的光子传播仿真结果，在保证光子传播仿真结果质量的前提下极大地减少了仿真的时间消耗。
[0004]本专利技术的技术方案为：
[0005]一种用于模拟光子传播的快速蒙特卡洛仿真方法，该方法通过生成大量成对的粗糙的和精细的光子传播仿真结果，建立光子传播仿真结果训练数据库；利用该训练数据库和生成对抗网络方法，训练从粗糙的光子传播仿真结果到精细的光子传播仿真结果的重建模型。在实际应用中，基于少量光子在仿真耗时较短的情况下，获得粗糙的光子传播仿真结果，利用上述训练好的重建模型，从粗糙的光子传播仿真结果重建精细的光子传播仿真结果。
[0006]具体步骤如下：
[0007]步骤一、建立光子传播仿真结果训练数据库。使用相同的光学参数，分别基于少量光子和大量光子进行经典的蒙特卡洛仿真，生成一对粗糙的和精细的光子传播仿真结果；调整不同的光学参数，重复上述蒙特卡洛仿真过程，生成大量成对粗糙的和精细的光子传播仿真结果，并建立光子传播仿真结果训练数据库。
[0008]步骤二、训练从粗糙的光子传播仿真结果到精细的光子传播仿真结果的重建模型。利用生成对抗网络方法，从步骤一中所获得的光子传播仿真结果训练数据库中学习重建模型。生成对抗网络包含生成器和鉴别器，生成器用于从步骤一获得的粗糙的光子传播仿真结果重建精细的光子传播仿真结果，让鉴别器难以分辨重建的精细的光子传播仿真结果和真实的步骤一获得的精细光子传播仿真结果；而鉴别器用于鉴别光子传播仿真结果，尽可能地辨别出重建的精细的光子传播仿真结果和真实的步骤一获得的精细光子传播仿
真结果；通过生成器和鉴别器的动态博弈过程，最终获得优化的重建模型。
[0009]步骤三、从粗糙的光子传播仿真结果重建精细的光子传播仿真结果。输入少量光子进行经典的蒙特卡洛仿真，在耗时较短的情况下获得粗糙的光子传播仿真结果；随后利用步骤二中训练好的重建模型，从粗糙的光子传播仿真结果重建精细的光子传播仿真结果，该重建的光子传播仿真结果接近真实的精细光子传播仿真结果。
[0010]本专利技术的有益效果为，提出了一种用于模拟光子传播的快速蒙特卡洛仿真方法，在保证光子传播仿真精度的前提下，可极大地减少了蒙特卡洛仿真的时间消耗。此外，本专利技术具有较好的兼容性，可以与其它的蒙特卡洛仿真加速方式相结合，如联合图形处理器(GPU)并行运算进一步加快仿真速度。因此，本专利技术可有效解决限制蒙特卡洛仿真实际应用的关键瓶颈，具有重要的应用价值。
附图说明
[0011]图1是用于模拟光子传播的组织模型示意图。
[0012]图2是利用pix2pix网络训练重建模型的流程图。
[0013]图3是训练重建模型时所使用的pix2pix网络的结构示意图。
[0014]图4是光子吸收分布图的对比图。其中：(a)输入10000个光子数量的粗糙光子吸收分布图；(b)基于粗糙光子吸收分布图重建的精细光子吸收分布图；(c)输入1000000个光子数量的精细光子吸收分布图。
具体实施方式
[0015]下面利用一个常用的光子传播仿真，即光子在单层生物组织模型中的吸收分布图，结合附图对本专利技术的具体实施做详细说明。
[0016]实施例1
[0017]在本实施例中，采用了一种嵌入了球状肿瘤的单层生物组织模型，如图1所示，并仿真光子在该生物组织模型中的吸收分布图。更为具体地，所有光子在X轴中心位置垂直入射进该生物组织模型中；对于周围组织，吸收系数μa、散射系数μs、各向异性因子g和折射率n分别设置为2cm
‑1、100cm
‑1、0.8和1.4；对于嵌入的肿瘤的各向异性因子g和折射率n与上述周围组织相同，其吸收系数在5cm
‑1到14cm
‑1之间变化，步长为3cm
‑1，散射系数在100cm
‑1到400cm
‑1之间变化，步长为100cm
‑1；肿瘤的位置沿X轴在0.5mm到0.8mm之间变化，步长为0.1mm，沿Z轴在0.2mm到0.8mm之间变化，步长为0.2mm；肿瘤的半径在0.1mm到0.2mm之间变化，步长为0.05mm。因此，综合考虑上述所有参数的可能性，可获得共计768种不同的参数组合。基于这些参数组合，利用10000个光子作为输入，获得粗糙的光子吸收分布图；利用1000000个光子作为输入，获得精细的光子吸收分布图；共计可获得768对粗糙的和精细的光子吸收分布图。随机将上述768对光子吸收分布图按照约3:1:1的比例分为训练集、验证集和测试集；其中训练集和验证集用于训练重建模型，测试集用于测试训练好的重建模型。在训练重建模型时，将采用一种改进的生成对抗网络，即pix2pix网络。针对重建的光子吸收分布图的仿真精度，将采用五折交叉检验后的峰值信噪比和功率耦合效率百分比差异来进行评价。
[0018]具体实施步骤如下：
[0019]步骤一、建立光子吸收分布图训练数据库。使用上述768种光学参数组合，分别基于10000个光子和1000000个光子进行经典的蒙特卡洛仿真，生成768对粗糙的和精细的光子吸收分布图。随机将上述768对光子吸收分布图按照约3:1:1的比例分为训练集、验证集和测试集；其中，460对光子吸收分布图作为训练集，154对光子吸收分布图作为验证集，154个粗糙的光子吸收分布图作为测试集，其对应的154个精细的光子吸收分布图作为评价重建的光子吸收分布图的标准。
[0020]步骤二、训练从粗糙的光子吸收分布图到精细的光子吸收分布图的重建模型。利用一种改进的生成对抗网络，即pix2pix网络，从步骤一中所获得的训练集中学习重建模型，具体训练重建模型的流程如图2所示。该pix2pix网络包含一个生成器和一个鉴别器，生成器用于从粗糙的光子吸收分布图重建精细的光子吸收分布图，让鉴别器难以分辨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于模拟光子传播的快速蒙特卡洛仿真方法，其特征在于，输入少量光子进行蒙特卡洛仿真，获得粗糙的光子传播仿真结果；随后利用训练好的重建模型，从粗糙的光子传播仿真结果重建精细的光子传播仿真结果，该重建的光子传播仿真结果接近真实的精细光子传播仿真结果；所述的重建模型获取的训练流程如下：(1)使用相同的光学参数，分别基于少量光子和大量光子，生成一对粗糙的和精细的光子传播仿真结果；通过调整不同的光学参数，生成大量成对的光子传播仿真结果，并建立光子传播仿真结果训练数据库；利用该训练数据库和有监督学习算法，训练从粗糙的光子传播仿真结果到精细的光子传播仿真结果的重建模型；(2)利用生成对抗网络，从光子传播仿真结果训练数据库中学习重建模型；生成对抗网络包含生成器和鉴别器，生成器用于从粗糙的光子传播仿真结果重建精细的光子传播仿真结果，让鉴别器难以分辨重建的和真实的精细光子传播仿真结果；而鉴别器用于鉴别光子传播仿真结果，尽可能地辨别出重建的和真实的精细光子传播仿真结果；通过生成器和鉴别器的动态博弈过程，最终获得优化的重建模型。2.根据权利要求1所述的一种用于模拟光子传播的快速蒙特卡洛仿真方法，其特征在于，所述的生成对抗网络选用pix2pix网络，pix2pix网络的具体结构为：生成器为一个15层的U
‑
Net结构，鉴别器为一个4层的PatchGAN结构；所有的卷积都采用为4
×
4的卷积核且步长为2。3.根据权利要求1所述的一种用于模拟光子传播的快速蒙特卡洛仿真方法，其特征在于，生成器...

【专利技术属性】
技术研发人员：陈硕，宋云峰，王世远，
申请(专利权)人：东北大学，
类型：发明
国别省市：