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

本发明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，旨在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。本发明专利技术方法包括：采集磁粒子成像系统中原始的频域信号，作为输入信号；通过预构建的多尺度特征滤波的神经网络模型对输入信号进行滤波处理，得到滤波后的时域信号；多尺度特征滤波的神经网络模型包括四个滤波子模块；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。本发明专利技术能够提取信号中粒子和噪声相关特征，滤除噪声信号，提高信号信噪比，提升磁粒子成像质量。提升磁粒子成像质量。提升磁粒子成像质量。

【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行滤波处理，得到滤波后的时域信号；
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]在一些优选的实施方式中，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。
[0013]在一些优选的实施方式中，所述多尺度特征滤波的神经网络模型，其训练方法为：
[0014]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；
[0015]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；
[0016]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；
[0017]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；
[0018]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。
[0019]在一些优选的实施方式中，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。
[0020]在一些优选的实施方式中，所述预构建的损失函数为：
[0021]L＝L
MSE
+α3L2[0022]L
MSE
＝α1L
freq
+α2L
Time
[0023][0024][0025][0026]其中，L为总损失函数，即预构建的损失函数，L
freq
为频率域损失，L
Time
为时域损失，L
MSE
为误差损失总和，L2为网络正则项，α1，α2，α3为超参数，为频域预测结果，即逆傅里叶变换后的特征，u(n)为时域信号真值标签，为时域预测结果，N表示采样信号长度，P表示神经网络参数量，θ
i
表示第i个神经网络参数。
[0027]本专利技术的第二方面，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系统，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，该系统包括：信号采集模块、滤波处理模块；
[0028]所述信号采集模块，配置为采集磁粒子成像系统中原始的频域信号，作为输入信号；
[0029]所述滤波处理模块，配置为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；
[0030]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；
[0031]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；
[0032]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；
[0033]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；
[0034]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。
[0035]本专利技术的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上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。
[0036]本专利技术的第四方面，提出了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被计算机执行以实现上述的基于多尺度特征融合的磁粒子成像时频本文档来自技高网...

【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：