光学传输参数空间分布的重建方法、装置、系统及介质制造方法及图纸

本申请公开了一种光学传输参数空间分布的重建方法、装置、系统及介质。重建方法包括在待测区域表面以高密度拓扑结构布设光源和光源探测器，使每个光源与多个光源探测器之间形成多个探测通道，且每个光源与多个光源探测器间存在不同间距。在待测区域不包含吸收体的情况下获取待测区域的初始光学传输参数与初始出射光参数之间的映射关系；在存在吸收体的情况下基于光学传输参数的变化量和出射光参数的变化量构建训练样本；利用训练样本和基于映射关系确定的损失函数训练深度学习模型，使其能够对待测区域的光学传输参数空间分布在不同深度上进行高准确度、高空间分辨率的三维重建，得到高密度、高质量的三维图像。高质量的三维图像。高质量的三维图像。

【技术实现步骤摘要】
光学传输参数空间分布的重建方法、装置、系统及介质


[0001]本申请属于医学人工智能领域，尤其涉及一种用于近红外脑功能成像技术的光学传输参数空间分布的重建方法、装置、系统及介质。

技术介绍

[0002]近红外脑功能成像技术利用近红外光和光源
‑
光源探测器组成的多通道传感，基于神经
‑
血氧耦合机制，可以以高时间分辨探测和成像脑活动激活的变化，有效地对脑功能进行可视化和定量评估，例如，可用于对抑郁症、认知障碍等疾病进行诊断或评估。
[0003]现有的近红外脑功能成像技术中，在设置光源和光源探测器的排布方式，配置由成对的光源
‑
光源探测器构成的探测通道时，通常情况下会将光源与光源探测器之间的距离设为固定的预设距离，例如3厘米左右，这样的设置使得近红外脑功能成像装置只能探测到固定位置所对应的组织深度的脑活动变化，而无法探测到更深的组织深度，难以获得更多的生理状态信息，无法实现三维成像，并且，该固定位置也使得近红外脑功能成像装置的空间分辨率不够高，无法实现高密度成像。并且，由于各个探测通道彼此不交叠，且具有相同的光源
‑
探头距离，因此难以通过数据处理来提高空间分辨率。
[0004]目前有一些研究利用基于扩散模型的重建算法来对组织内部的光学传输参数的空间分布进行重建。但是由于组织内部包含各种类型的组织、结构等，光子在组织内部传输的过程中被多次散射，并且很大一部分被生色团（如血液、水、黑色素、胆红素等）吸收，因此，现有技术中重建方法很难以可接受的计算代价和计算时间并且较准确地重构出的光学传输参数的变化程度和变化范围，并且存在深度范围受限、重建后的图像质量准确度和精度较低、可能出现伪影等缺陷，这些导致重建图像的利用价值大大下降。

技术实现思路

[0005]提供本申请以解决现有技术中存在的上述缺陷。需要一种光学传输参数空间分布的重建方法、装置、系统及介质，能够利用光源探测器在待测区域表面以多种间距探测光源发射的光经待测区域后的出射光，经由深度学习模型来预测出待测区域内部的光学传输参数，以对待测区域的光学传输参数空间分布进行重建，使得具有更高的空间分辨率，从而实现高密度成像。本申请的重建方法还将不包含吸收体情况下的待测区域的初始光学传输参数与初始出射光参数之间的映射关系作为先验知识，并利用该映射关系在待测区域包含吸收体的情况下构建具有真值标注的训练样本，并结合该先验知识确定深度学习模型训练时的损失函数，从而使得训练好的深度学习模型能够对待测区域的光学传输参数空间分布在更大深度上进行高准确度、高空间分辨率的重建，由此重建的待测区域的图像也具有更高的图像质量。
[0006]根据本申请的第一方案，提供一种光学传输参数空间分布的重建方法，所述重建方法包括确定待测区域，所述待测区域的表面形成有由光源和光源探测器构成的拓扑结构，其中，所述光源用于向所述待测区域发射光，所述光源探测器用于探测出射光，所述拓
扑结构被构造为：每个所述光源与多个所述光源探测器之间形成有探测通道，且每个所述光源与多个所述光源探测器之间存在不同间距。所述重建方法还包括在所述待测区域不包含吸收体的情况下，获取所述待测区域的初始光学传输参数与初始出射光参数之间的映射关系；在所述待测区域内存在吸收体的情况下，基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本，其中，所述吸收体对所述光源发射的光具有吸收作用；利用所述训练样本对所构建的深度学习模型进行训练，具体包括基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数，利用所述第一损失函数来对所述深度学习模型进行训练。所述重建方法进一步包括利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建。
[0007]根据本申请的第二方案，提供一种光学传输参数空间分布的重建装置，所述重建装置至少包括处理器和存储器，所述存储器上存储有计算机可执行指令，所述处理器在执行所述计算机可执行指令时执行根据本申请各个实施例的光学传输参数空间分布的重建方法。
[0008]根据本申请的第三方案，提供一种近红外脑功能成像系统，包括近红外光学数据采集装置和根据本申请各个实施例的光学传输参数空间分布的重建装置，其中，所述近红外光学数据采集装置包括头帽，所述头帽上设置有用于向受检者的目标头部区域发射近红外光的光源，以及用于探测出射近红外光的光源探测器。
[0009]根据本申请的第四方案，提供一种存储有程序的非暂时性计算机可读存储介质，所述程序使得处理器执行根据本申请各个实施例的光学传输参数空间分布的重建方法的各种操作。
[0010]本申请各个实施例提供的光学传输参数空间分布的重建方法、装置、系统及介质，通过将待测区域表面的光源和光源探测器的拓扑结构构造为每个光源与多个光源探测器之间形成有探测通道，且每个光源与多个光源探测器之间存在不同间距，一方面能够探测到待测区域更深部的光学传输参数，同时也使得所探测的光学传输参数在空间分布上具有更高的分辨率。根据本申请的重建方法还构建了深度学习模型来对光学传输参数空间分布进行三维重建，并通过求取不包含吸收体情况下的待测区域初始光学传输参数与初始出射光参数之间的映射关系，并利用该映射关系和包含吸收体情况下的待测区域的光学传输参数的变化量和出射光参数的变化量来构建具有真值标注的训练样本，并在利用上述训练样本对深度学习模型进行训练时，进一步将该映射关系作为先验知识来确定训练的损失函数，使得训练好的深度学习模型能够更准确地预测出待测区域内的光学传输参数的变化量，从而可以在更广的深度范围内对待测区域的光学传输参数空间分布进行高准确度、高空间分辨率的三维重建，由此重建的待测区域的三维图像也具有更高的图像质量。
附图说明
[0011]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0012]图1（a）示出根据本申请实施例的待测区域及其表面的光源和光源探测器布局的
示意图。
[0013]图1（b）示出根据本申请实施例的待测区域的表面由光源和光源探测器构成的拓扑结构的示意图。
[0014]图2示出根据本申请实施例的光学传输参数空间分布的重建方法的流程示意图。
[0015]图3示出根据本申请实施例的对交叠吸收体的吸收系数进行融合的MBM算法的示意图。
[0016]图4示出根据本申请实施例的深度学习模型的部分结构的示意图。
[0017]图5示出根据本申请实施例的特征提取骨干网络的部分组成示意图。
[0018]图6示出根据本申请实施例的吸收体光学传输参数空间分布的真实值和深度学习模型的重建结果的三维示意图。
[0019]图7（a）示出根据本申请实施例的光学传输参数重建结果在不同深度的剖面图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光学传输参数空间分布的重建方法，其特征在于，所述重建方法包括：确定待测区域，所述待测区域的表面形成有由光源和光源探测器构成的拓扑结构，其中，所述光源用于向所述待测区域发射光，所述光源探测器用于探测出射光，所述拓扑结构被构造为：每个所述光源与多个所述光源探测器之间形成有探测通道，且每个所述光源与多个所述光源探测器之间存在不同间距；在所述待测区域不包含吸收体的情况下，获取所述待测区域的初始光学传输参数与初始出射光参数之间的映射关系；在所述待测区域内存在吸收体的情况下， 基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本，其中，所述吸收体对所述光源发射的光具有吸收作用；利用所述训练样本对所构建的深度学习模型进行训练，具体包括：基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数，利用所述第一损失函数来对所述深度学习模型进行训练；利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建。2.根据权利要求1所述的重建方法，其特征在于，在所述待测区域内存在吸收体的情况下， 基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本，具体包括：在所述待测区域内放置从预设属性集合中选择属性的吸收体，基于所述吸收体的属性，确定放置所述吸收体前后所述待测区域的光学传输参数的变化量，其中，所述吸收体的属性包括数量、尺寸、吸收系数以及其位于所述待测区域内的位置中的至少一种；基于所述光学传输参数的变化量和所述映射关系，计算出射光参数的变化量，并将所述出射光参数的变化量及其对应的光学传输参数的变化量作为所述训练样本。3.根据权利要求2所述的重建方法，其特征在于，各个所述吸收体具有单一的吸收系数，所述重建方法进一步包括：在所述待测区域内存在多个所述吸收体，且各个所述吸收体存在交叠的情况下，确定存在交叠的各个吸收体中具有较大吸收系数的吸收体，并将该吸收体的吸收系数作为交叠部分的吸收系数。4.根据权利要求1
‑
3中任一项所述的重建方法，其特征在于，基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数具体包括：基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系，确定对应的出射光参数的变化量的预测值；将所述出射光参数的变化量的预测值和所述训练样本中出射光参数的变化量的均方误差作为第一损失函数。5.根据权利要求1
‑
3中任一项所述的重建方法，其特征在于，利用所述训练样本对所构建的深度学习模型进行训练进一步包括：将所述训练样本中的出射光参数的变化量作为深度学习模型的输入，以得到所述深度学习模型输出的光学传输参数的变化量的预测值，并将训练样本中的光学传输参数的变化量作为地面真值；
将所述深度学习模型输出的光学传输参数的变化量的预测值和所...

【专利技术属性】
技术研发人员：汪待发，武迪，汪恭正，赵小静，
申请(专利权)人：慧创科仪北京科技有限公司，
类型：发明
国别省市：