基于时频谱信号增强的磁粒子分布模型重建方法和系统技术方案

本发明专利技术属于磁粒子成像领域，具体涉及了一种基于时频谱信号增强的磁粒子分布模型重建方法和系统，旨在解决现有的磁粒子成像技术无法同时高效的去除谐波干扰和高斯噪声等背景噪声，以至重建的磁粒子分布模型精度不足的问题。本发明专利技术包括：通过磁粒子成像设备扫描获得待测目标的一维时域信号，分段傅里叶变换获得时频谱，通过融合自我注意力机制的深度神经网络获得去噪时频谱得到高质量磁粒子时域信号；再进行磁粒子分布模型重建。本发明专利技术通过融入自我注意力机制的深度神经网络学习时频谱中的全局信息与局部信息，从而学习倍频间的关系以区分信号中的有效粒子信号和噪声信号，通过融合局部和全局信息完成对时频谱的去噪，获得高质量磁粒子时域信号。质量磁粒子时域信号。质量磁粒子时域信号。

【技术实现步骤摘要】
基于时频谱信号增强的磁粒子分布模型重建方法和系统


[0001]本专利技术属于磁粒子成像领域，具体涉及了一种基于时频谱信号增强的磁粒子分布模型重建方法和系统。

技术介绍

[0002]在临床诊断和检测中，如何准确、客观的定位肿瘤及其他病灶一直是国际上的研究热点和挑战性问题。现有的医学影像技术如CT，MRI，SPECT等方法均存在危害大，定位差，精度低等问题。而在近些年，一种全新的基于示踪剂的成像方式——磁粒子成像（MPI）技术被提出。利用断层成像技术，MPI可以通过检测对人体无害的超顺磁氧化铁纳米颗粒（SPIONs）的空间浓度分布，对肿瘤或目标物进行精准定位，具有三维成像、高时空分辨率和高灵敏度的特点。此外，MPI不显示解剖结构并且无背景信号干扰，因此信号的强度与示踪剂的浓度直接成正比，是一种颇具医学应用潜力的新方法。
[0003]现今的MPI技术还处于发展阶段，硬件系统还在不断的改进升级。背景信号是MPI领域不可忽视的一个问题，背景信号会导致重建图像中出现伪影，对重建图像的精度产生了极大的影响，其中背景信号主要包括谐波干扰和高斯噪声两大类。一些硬件升级和基于信号处理的改进方法被提出用于去除背景噪声信号，但是硬件上的改进方法对系统本身要求较高，同时操作难度较大；基于信号处理的改进方法中，与系统矩阵相关的算法时间成本较高，与X
‑
space相关的则大多不够鲁棒，不能高效的去除这两种噪声。因此在磁粒子成像领域，一种能对不同背景噪声进行高效的去除，同时不提升硬件复杂度和时间成本的方法是急需的。
>
技术实现思路

[0004]为了解决现有技术中的上述问题，即现有的磁粒子成像技术中无法高效的去除谐波干扰和高斯噪声等背景噪声，以至于重建的模型精度不足的问题，本专利技术提供了一种基于时频谱信号增强的磁粒子分布模型重建方法，所述方法包括：步骤S100，通过磁粒子成像设备扫描待测目标得到待测目标的一维时域信号；其中，待测目标包括待测仿体或生物样本；步骤S200，将所述待测目标的一维时域信号进行分段傅里叶变换，获得二维时频谱；步骤S300，基于所述二维时频谱，通过训练好的融合自我注意力机制的深度神经网络获得去噪后的磁粒子时频谱信号，进而通过逆傅里叶变换得到高质量磁粒子时域信号；步骤S400，基于所述高质量磁粒子时域信号进行区域模型重建，获得高精度区域重建模型；所述融合自我注意力机制的深度神经网络，包括特征提取模块、联合去噪模块、时域
‑
频域去噪模块和特征重建模块；其中特征提取模块将提取的一级特征图传输至联合去
噪模块与时域
‑
频域去噪模块，联合去噪模块基于一级特征图提取全局空间特征获得联合去噪特征图，时域频域去噪模块分别从一级特征图的时域维度和频域维度提取时频谱的局部特征并融合为时域
‑
频域去噪特征图，联合去噪特征图和时域
‑
频域去噪特征图进行特征连接获得特征连接信息，将特征连接信息通过特征重建模块进行重建，获得无噪时频谱。
[0005]在一些优选的实施方式中，所述特征提取模块，其具体结构包括：特征提取模块输入端、多尺度特征分析单元、第一特征连接单元、第一特征融合卷积层和特征提取模块输出端；其中所述多尺度特征分析单元包括由特征提取模块输入端连接并行的第一支路、第二支路和第三支路；所述第一支路包括一个包括16个卷积核的卷积层；所述第二支路包括顺次连接的一个包括16个卷积核的卷积层和一个包括32个卷积核的卷积层；所述第三支路包括顺次连接的一个包括16个卷积核的卷积层、一个包括32个卷积核的卷积层和一个包括64个卷积核的卷积层；第一支路、第二支路和第三支路的输出于第一特征连接单元的输入汇合，第一特征连接单元的输出连接所述第一特征融合卷积层；所述特征提取模块输入端与第一特征融合卷积层建立残差连接，并将特征提取模块输入端的输入信息与第一特征融合卷积层的输出进行加和并输出。
[0006]在一些优选的实施方式中，所述联合去噪模块，其具体结构包括：顺次连接的联合去噪模块输入端、空间注意力块、自注意力单元、第二特征融合卷积层、第三特征融合卷积层和联合去噪模块输出端；所述空间注意力块，为空间注意力块输入端同时分别连接通道平均池化层和通道最大池化层；所述通道平均池化层和通道最大池化层的输出共同连接至第二特征连接单元的输入；第二特征连接单元的输出依次连接包括1个卷积核的卷积层和Sigmoid层；联合去噪模块输入端与Sigmoid层之后建立连接，并将联合去噪模块的输入端的输入信息与Sigmoid层的输出信息进行相乘并输出；所述自注意力单元，包括并行的两个不同感受野的 的自注意力块，其中；两个的自注意力块的输出加和后依次连接第二特征融合卷积层、第三特征融合卷积层，并连接至联合去噪模块输出端其中第二特征融合卷积层为包括32个卷积核的卷积层，第三特征融合卷积层为包括16个卷积核的卷积层。
[0007]在一些优选的实施方式中，所述自注意力块，包括顺次连接的自注意力块输入端、卷积层、第一Reshape层、第一加和单元、六个自注意力层、第二Reshape层、卷积层、第二加和单元、卷积层、ReLU层和自注意力块输出端；其中第一Reshape层的输出并行连接第一加和单元和位置编码层，位置编码层的输出连接第一加和单元；自注意力块输入端与第二加和单元建立残差连接。
[0008]在一些优选的实施方式中，所述自注意力层，包括顺次连接的自注意力层输入端、多头注意力层、第三加和单元、层归一化层、前馈网络、第四加和单元、层归一化层和自注意
力层输出端；自注意力层输入端与所述第三加和单元建立残差连接；所述前馈网络包括顺次连接的全连接层、GeLU层和全连接层；所述多头注意力层包括顺次连接的多头注意力层的输入端、8个并行的点积注意力块、特征连接层、全连接层和多头注意力层的输出端；点积注意力块包括并行的点积第一全连接层、点积第二全连接层和点积第三全连接层，第一全连接层和点积第二全连接层的输出共同连接至矩阵乘法单元，并依次连接归一化层和softmax层，softmax层的输出与点积第三全连接层共同连接至矩阵乘法单元并连接点积注意力块的输出端。
[0009]在一些优选的实施方式中，所述时域
‑
频域去噪模块，包括顺次连接的时域
‑
频域去噪模块输入端、并行的时域去噪支路与频域去噪支路，并行的支路汇合后为第五特征融合卷积层和时域
‑
频域去噪模块输出端；第五特征融合卷积层为包括16个卷积核的卷积层；其中，所述时域去噪支路，为顺次连接的时域去噪支路输入端、10个连续的时域注意力块、包括16个卷积核的卷积层；所述时域注意力块包括，包括时域注意力块输入端，包括32个卷积核的卷积层、ReLU层、包括32个卷积核的卷积层、全局平均池化层、Sigmoid层、相乘单元、第四加和单元和时域注意力块输出端；全局平均池化层的输入与相乘单元建立连接；时域去噪支路输入端与第四求和单元建立残差连接；所述频域去噪支路，将所述时域注意力块中的包括32个卷积核的卷积层替本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频谱信号增强的磁粒子分布模型重建方法，其特征在于，所述方法包括：步骤S100，通过磁粒子成像设备扫描待测目标得到待测目标的一维时域信号；步骤S200，将所述待测目标的一维时域信号进行分段傅里叶变换，获得二维时频谱；步骤S300，基于所述二维时频谱，通过训练好的融合自我注意力机制的深度神经网络获得去噪后的磁粒子时频谱信号，进而通过逆傅里叶变换得到高质量磁粒子时域信号；步骤S400，基于所述高质量磁粒子时域信号进行区域模型重建，获得高精度区域重建模型；所述融合自我注意力机制的深度神经网络，包括特征提取模块、联合去噪模块、时域
‑
频域去噪模块和特征重建模块；其中特征提取模块将提取的一级特征图传输至联合去噪模块与时域
‑
频域去噪模块，联合去噪模块基于一级特征图提取全局空间特征获得联合去噪特征图，时域频域去噪模块分别从一级特征图的时域维度和频域维度提取时频谱的局部特征并融合为时域
‑
频域去噪特征图，联合去噪特征图和时域
‑
频域去噪特征图进行特征连接获得特征连接信息，将特征连接信息通过特征重建模块进行重建，获得无噪时频谱。2.根据权利要求1所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在于，所述特征提取模块，其具体结构包括：特征提取模块输入端、多尺度特征分析单元、第一特征连接单元、第一特征融合卷积层和特征提取模块输出端；其中所述多尺度特征分析单元包括由特征提取模块输入端连接并行的第一支路、第二支路和第三支路；所述第一支路包括一个包括16个卷积核的卷积层；所述第二支路包括顺次连接的一个包括16个卷积核的卷积层和一个包括32个卷积核的卷积层；所述第三支路包括顺次连接的一个包括16个卷积核的卷积层、一个包括32个卷积核的卷积层和一个包括64个卷积核的卷积层；第一支路、第二支路和第三支路的输出于第一特征连接单元的输入汇合，第一特征连接单元的输出连接所述第一特征融合卷积层；所述特征提取模块输入端与第一特征融合卷积层建立残差连接，并将特征提取模块输入端的输入信息与第一特征融合卷积层的输出进行加和并输出。3.根据权利要求1所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在于，所述联合去噪模块，其具体结构包括：顺次连接的联合去噪模块输入端、空间注意力块、自注意力单元、第二特征融合卷积层、第三特征融合卷积层和联合去噪模块输出端；所述空间注意力块，为空间注意力块输入端同时分别连接通道平均池化层和通道最大池化层；所述通道平均池化层和通道最大池化层的输出共同连接至第二特征连接单元的输入；第二特征连接单元的输出依次连接包括1个卷积核的卷积层和Sigmoid层；联合去噪模块输入端与Sigmoid层之后建立连接，并将联合去噪模块的输入端的输入信息与Sigmoid层的输出信息进行矩阵相乘并输出；所述自注意力单元，包括并行的两个不同感受野的的自注意力块，其中
；两个的自注意力块的输出加和后依次连接第二特征融合卷积层、第三特征融合卷积层，并连接至联合去噪模块输出端。4.根据权利要求3所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在于，所述自注意力块，包括顺次连接的自注意力块输入端、卷积层、第一Reshape层、第一加和单元、六个自注意力层、第二Reshape层、卷积层、第二加和单元、卷积层、ReLU层和自注意力块输出端；其中第一Reshape层的输出并行连接第一加和单元和位置编码层，位置编码层的输出连接第一加和单元；自注意力块输入端与第二加和单元建立残差连接。5.根据权利要求4所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在于，所述自注意力层，包括顺次连接的自注意力层输入端、多头注意力层、第三加和单元、层归一化层、前馈网络、第四加和单元、层归一化层和自注意力层输出端；自注意力层输入端与所述第三加和单元建立残差连接；所述前馈网络包括顺次连接的全连接层、GeLU层和全连接层；所述多头注意力层包括顺次连接的多头注意力层的输入端、8个并行的点积注意力块、特征连接层、全连接层和多头注意力层的输出端；点积注意力块包括并行的点积第一全连接层、点积第二全连接层和点积第三全连接层，第一全连接层和点积第二全连接层的输出共同连接至矩阵乘法单元，并依次连接归一化层和softmax层，softmax层的输出与点积第三全连接层共同连接至矩阵乘法单元并连接点积注意力块的输出端。6.根据权利要求1所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在于，所述时域
‑
频域去噪模块，包括顺次连接的时域
‑
频域去噪模块输入端、并行的时域去噪支路与频域去噪支路，并行的支路汇合后为第五特征融合卷积层和时域
‑
频域去噪模块输出端；其中，所述时域去噪支路，为顺次连接的时域去噪支路输入端、10个连续的时域注意力块、包括16个卷积核的卷积层；所述时域注意力块包括，包括时域注意力块输入端，包括32个卷积核的卷积层、ReLU层、包括32个卷积核的卷积层、全局平均池化层、Sigmoid层、相乘单元、第四加和单元...

【专利技术属性】
技术研发人员：田捷，卫泽琛，惠辉，杨鑫，彭慧玲，
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：