【技术实现步骤摘要】
基于多尺度特征融合的磁粒子成像时频域信号滤波方法
[0001]本专利技术属于磁粒子成像领域,具体涉及一种基于多尺度特征融合的磁粒子成像时频域信号滤波方法、系统、设备。
技术介绍
[0002]磁粒子成像技术(Magnetic particle imaging,MPI)是一种非侵入式的医学成像技术,通过超顺磁纳米粒子在磁场中的非线性响应实现对目标物的精准定位,具有高时空分辨率和高灵敏度的特点。使得MPI在细胞追踪,灌注成像,肿瘤检测等方面有广泛的应用前景。
[0003]在实际中,MPI接收线圈中的电阻元件产生的热效应改变了电磁发送线圈中的阻抗,导致磁场漂移。另外,线圈中非线性电子元件对输入信号的非线性响应,产生的高次谐波干扰,使得简单的滤波方法不足以达到满意的效果,因此一种能够有效去除MPI中复杂噪声的方法是提高MPI成像性能的重要途经。基于此,本专利技术提出了一种基于多尺度特征融合的磁粒子成像时频域信号滤波方法。
技术实现思路
[0004]为了解决现有技术中的上述问题,即为了解决现有技术无法有效消除MPI中的噪声,导致磁粒子成像质量较差的问题,本专利技术提出了一种基于多尺度特征融合的磁粒子成像时频域信号滤波方法,用于对采集到的MPI频域信号进行滤波处理,得到滤波后的时域信号,进而基于滤波后的时域信号,进行磁粒子成像,该方法包括:
[0005]S100,采集磁粒子成像系统中原始的频域信号,作为输入信号;
[0006]S200,通过预构建的多尺度特征滤波的神经网络模型对所述输入信号进 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度特征融合的磁粒子成像时频域信号滤波方法,用于对采集到的MPI频域信号进行滤波处理,得到滤波后的时域信号,进而基于滤波后的时域信号,进行磁粒子成像,其特征在于,该方法包括:S100,采集磁粒子成像系统中原始的频域信号,作为输入信号;S200,通过预构建的多尺度特征滤波的神经网络模型对所述输入信号进行滤波处理,得到滤波后的时域信号;其中,所述多尺度特征滤波的神经网络模型包括四个滤波子模块;四个滤波子模块依次连接,其中频域数据经过前两个滤波子模块后通过逆傅里叶变换成时域信号再通过后两个滤波子模块进行处理;所述滤波子模块基于依次连接的卷积层、特征滤波结构、两层全连接层构建;所述特征滤波结构包括多通道的信号特征编码模块、基于注意力的滤波处理模块;所述多通道的信号特征编码模块包括两个多尺度卷积单元;第一个多尺度卷积单元基于四个并行的卷积层构建,将四个并行的卷积层处理后的特征进行拼接,输入第二个多尺度卷积单元;第二个多尺度卷积单元基于两个并行的卷积层构建;所述基于注意力的滤波处理模块基于依次连接的全局平均池化层、两个全连接层、Sigmoid激活函数构建;所述基于注意力的滤波处理模块的输入为第二个多尺度卷积单元中两个并行的卷积层输出拼接后的特征;所述滤波子模块的输出为所述基于注意力的滤波处理模块的输入、所述Sigmoid激活函数处理后的特征的乘积。2.根据权利要求1所述的基于多尺度特征融合的磁粒子成像时频域信号滤波方法,其特征在于,所述第一个多尺度卷积单元中四个并行的卷积层的卷积核大小分别是1、3、5、7;所述第二个多尺度卷积单元中两个并行的卷积层的卷积核大小分别是1、3。3.根据权利要求1所述的基于多尺度特征融合的磁粒子成像时频域信号滤波方法,其特征在于,所述多尺度特征滤波的神经网络模型,其训练方法为:A100,生成磁粒子成像时域信号的仿真信号,并进行傅里叶变换得到频域信号;所述频域信号为仅包含谐波分量幅值的一维数组,为复数;A200,对A100中的频域信号添加噪声,得到带噪频域信号;基于带噪频域信号及其对应的时域信号真值标签,构建训练数据集;A300,将所述训练数据集中的带噪频域信号输入所述多尺度特征滤波的神经网络模型,得到滤波处理后的时域信号;A400,基于A300得到的滤波处理后的时域信号,结合所述时域信号真值标签,通过预构建的损失函数计算损失值,并对多尺度特征滤波的神经网络模型的网络参数更新;A500,循环步骤A300
‑
A400,直至得到训练好的多尺度特征滤波的神经网络模型。4.根据权利要求3所述的基于多尺度特征融合的磁粒子成像时频域信号滤波方法,其特征在于,对频域信号添加的噪声包括高斯噪声、谐波干扰及其混合噪声。5.根据权利要求3所述的基于多尺度特征融合的磁粒子成像时频域信号滤波方法,其特征在...
【专利技术属性】
技术研发人员:田捷,彭慧玲,惠辉,朱涛,王探,
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。