电容耦合电阻抗层析成像图像重建方法和装置制造方法及图纸

本发明专利技术公开了一种电容耦合电阻抗层析成像图像重建方法及装置，本发明专利技术将无监督的深度卷积网络作为先验信息来对电容耦合电阻抗层析成像的图像迭代重建过程加以约束，通过训练拥有随机初始化网络参数的深度神经网络，使得该网络能够从噪声标签图像中学习其自身的内在隐藏信息，并在训练过程中通过交替性的加权平均求和等操作逐步找到噪声图像的局部最优解，生成近似于真实图像的结果，完成去噪。本发明专利技术提出的针对于电容耦合电阻抗层析成像应用的网络先验不仅能形成类似手动先验的模式来对图像重建进行噪声约束，并且能依据图像自身的结构特点做出智能化的参数调整，形成更高质量的重建图像。量的重建图像。量的重建图像。

Image reconstruction method and device of capacitance coupled electrical impedance tomography

【技术实现步骤摘要】
电容耦合电阻抗层析成像图像重建方法和装置


[0001]本专利技术涉及工业过程检测领域，工业影像领域，医学影像领域和深度学习领域，具体涉及一种基于深度图像先验的电容耦合电阻抗层析成像图像重建方法。

技术介绍

[0002]电容耦合电阻抗层析成像（capacitively
‑
coupled electrical impedance tomography, CCEIT）是一种基于成像目标区域边界处电磁场信息变化来进行内部结构分布重建的新兴成像技术。由于具有非侵入性，无辐射，无接触，无损，价格低廉，操作简单，成像速度快，空间分辨率高等优点，该技术得到了广泛的关注并被研究推广到工业多相流检测，工业过程监测，生物医学检测等领域。
[0003]电容耦合电阻抗层析成像系统如图1所示，由电极式传感器，数据采集系统和计算机组成，其中传感器电极片的数量一般为8、12、16等。该技术的基本原理是将阵列式的电极片放置在成像目标边界处，且在电极片与被测目标体之间有一层绝缘物质，基于电容耦合非接触导电性原理，当施加励磁交流电信号到激励电极后，激励电极片与接收电极片之间形成电流通路，且该电流通路可以被等效为两个电容和一个电阻抗的串联电路，当成像目标区域内部结构发生改变，即等效的电阻抗信息发生改变时，成像目标边界处的传感器电极片能够检测到相应的电学响应，结合图像重建算法，进而能够获取成像目标区域内部结构分布的重建图像。电容耦合电阻抗层析成像的数据采集流程为施加交流电信号至第一个电极片处，建立时变电磁场，在剩余的(N
‑
1)个电极片处按照顺序依次测量相应的电学响应，再将交流电信号施加到第二个电极片处，测量剩余的(N
‑
2)个电极片处的电学响应信息，重复该过程，直至倒数第二个电极片被施加交流电信号，其中N为传感器电极片的总数量。一个完整的数据集含有(N
×
(N
‑
1)/2)个边界参数测量值。
[0004]随着电容耦合电阻抗层析成像的工业影像应用与医学影像应用的不断发展，对于该技术的成像质量的要求也越来越高。电容耦合电阻抗层析成像的图像重建是通过求解线性方程组的方法来实现的。首先将目标区域离散化为有限个单位元，其次建立每个单位元与边界测量参数间关系的线性方程，最后联立方程组求解。由于电容耦合电阻抗层析成像的边界测量参数的总数(N
×
(N
‑
1)/2) 远远少于目标区域电学信息分布参数的数量，表征这两种参数之间关系的系统响应矩阵是一个稀疏的奇异矩阵，因此该技术的图像重建问题是一个严重病态且不适定的欠定问题，其重建结果对噪声非常敏感，即边界电学测量值处的微小扰动会造成重建图像信息的巨大偏差，这大大限制了影像的成像质量，影响后续工业分析或临床诊断工作。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提供一种基于深度图像先验的无监督学习电容耦合电阻抗层析成像图像重建方法及装置，实现电容耦合电阻抗层析成像低噪，高质量的图像重建。
[0006]本专利技术采用的技术方案具体为：一种电容耦合电阻抗层析成像图像重建方法，包括：获取待重建的电容耦合电阻抗层析成像数据和与所述待重建的电容耦合电阻抗层析成像数据不同输入励磁信号的电容耦合电阻抗层析成像数据，并分别构建获得含噪声的反投影图像G0和Z
noise
；将反投影图像Z
noise
作为一神经网络的输入，反投影图像G0作为网络标签，训练所述神经网络学习反投影图像G0的内在结构信息并作为先验框架对该反投影图像G0进行去噪处理，获得反投影图像G0的重建图像G
denoised
。
[0007]进一步地，与所述待重建的电容耦合电阻抗层析成像数据不同输入励磁信号具体为输入励磁信号频率不同。
[0008]进一步地，所述构建获得含噪声的反投影图像G0和Z
noise
具体如下：获取待重建的电容耦合电阻抗层析成像数据的系统响应矩阵和与所述待重建的电容耦合电阻抗层析成像数据不同输入励磁信号的电容耦合电阻抗层析成像数据的系统响应矩阵；通过对应的系统响应矩阵，建立电容耦合电阻抗层析成像数据中电容耦合电阻抗原始边界测量值与未知的内部电学特性分布参数的最小二乘目标函数，最小化最小二乘目标函数，得到的内部电学特性分布参数即为对应的反投影图像。
[0009]进一步地，所述神经网络为U
‑
Net或ResNet。
[0010]进一步地，训练所述神经网络学习反投影图像G0的内在结构信息并作为先验框架对该反投影图像G0进行去噪处理，获得反投影图像G0的重建图像G
denoised
，具体为：构建所述神经网络输出与网络标签的目标损失函数，最小化目标损失函数来更新网络参数，以及输出网络预测图像，直至满足迭代收敛条件或达到预先设定的迭代步数，输出最终的网络预测图像即为反投影图像G0的重建图像G
denoised
。
[0011]进一步地，所述目标损失函数为均方差损失函数。
[0012]本专利技术方法通过建立目标区域处边界测量参数与未知电学分布参数间最小二乘目标函数并求偏导获得初始的噪声反投影图像，再将无监督的深度卷积网络作为先验信息来对图像迭代重建过程加以约束，从而达到图像去噪的目的。该基于深度学习网络的重建方法无需大量的网络训练图像对，即干净
‑
噪声图像对，也无需预先训练好的深度神经网络参数。其将电容耦合电阻抗层析成像原始数据结合系统响应矩阵生成的噪声反投影图像作为网络标签，随机噪声作为网络输入，来训练拥有随机初始化网络参数的深度神经网络，使得该网络在迭代过程中试图找到再现标签噪声图像的网络参数。由于网络在学习的过程中，优先学习与恢复低频的真实图像信息，其次学习与恢复高频的噪声信息，因此，在受到网络结构和先验噪声图像限制的条件下，深度神经网络被训练为从噪声反投影图像中学习其自身的内在隐藏结构信息，并在迭代过程中通过网络参数的各种加权平均求和操作逐步找到噪声图像的局部最优解，从而实现图像去噪重建目的，生成近似于真实图像的结果。
[0013]基于上述相同的原理，本专利技术还提供了一种电容耦合电阻抗层析成像图像重建装置，包括：数据获取模块，用于获取待重建的电容耦合电阻抗层析成像数据和与所述待重建的电容耦合电阻抗层析成像数据不同输入励磁信号的电容耦合电阻抗层析成像数据，并分
别构建获得含噪声的反投影图像G0和Z
noise
；图像重建模块，用于将反投影图像Z
noise
作为一神经网络的输入，反投影图像G0作为网络标签，训练所述神经网络学习反投影图像G0的内在结构信息并作为先验框架对该反投影图像G0进行去噪处理，获得反投影图像G0的重建图像G
denoised
。
[0014]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电容耦合电阻抗层析成像图像重建方法，其特征在于，包括：获取待重建的电容耦合电阻抗层析成像数据和与所述待重建的电容耦合电阻抗层析成像数据不同输入励磁信号的电容耦合电阻抗层析成像数据，并分别构建获得含噪声的反投影图像G0和Z
noise
；将反投影图像Z
noise
作为一神经网络的输入，反投影图像G0作为网络标签，训练所述神经网络学习反投影图像G0的内在结构信息并作为先验框架对该反投影图像G0进行去噪处理，获得反投影图像G0的重建图像G
denoised
。2.根据权利要求1所述的方法，其特征在于，与所述待重建的电容耦合电阻抗层析成像数据不同输入励磁信号具体为输入励磁信号频率不同。3.根据权利要求1所述的方法，其特征在于，所述构建获得含噪声的反投影图像G0和Z
noise
具体如下：获取待重建的电容耦合电阻抗层析成像数据的系统响应矩阵和与所述待重建的电容耦合电阻抗层析成像数据不同输入励磁信号的电容耦合电阻抗层析成像数据的系统响应矩阵；通过对应的系统响应矩阵，建立电容耦合电阻抗层析成像数据中电容耦合电阻抗原始边界测量值与未知的内部电学特性分布参数的最小二乘目标函数，最小化最小二乘目标函数，得到的内部电学特性分布参数即为对应的反投影图像。4.根据权利要求1所述的方法，其特征在于，所述神经网络为U
‑
Net或ResNet。5.根据权利要求1所述的方法，其特征在于，训练所述神经网络学习反投影图像G0的内在结构信息并作为先验框架对该反投影图像G0进行去噪处理，获得反投影图像G0...

【专利技术属性】
技术研发人员：马格格，朱闻韬，杨宝，倪扬帆，
申请(专利权)人：之江实验室，
类型：发明
国别省市：