基于图像压缩的三维微波脑成像方法与装置制造方法及图纸

本发明专利技术公开了基于图像压缩的三维微波脑成像方法与装置，该方法包括：基于微波脑成像使用环绕在人脑周围的三维天线阵列发射微波对脑探测，首先训练深度神经网络实现人脑介电常数二维断面图像的编码和解码，进而用连续断面的隐空间参数表示三维脑模型。在三维脑成像中，给定测量微波数据，最小化以多层断面隐空间参数为自变量的目标函数，求解最优隐空间参数，最后将求解的隐空间参数解码为三维人脑介电常数模型。本发明专利技术利用深度神经网络的隐空间参数替代点阵表示的三维人脑，大幅减少了成像未知数，具有更高的计算效率。人脑共性结构特征可以通过训练神经网络纳入反演，减轻反问题求解的病态性。求解的病态性。求解的病态性。

【技术实现步骤摘要】
基于图像压缩的三维微波脑成像方法与装置


[0001]本专利技术涉生物医学计算成像
，特别是涉及基于图像压缩的三维微波脑成像方法与装置。

技术介绍

[0002]微波成像具备无创、无射线损伤、探测深度大的优点，其测量设备便捷，对测量环境要求较低，是一种理想的适于脑卒中早期筛查与床旁动态监测的影像学方法。脑组织与血液的电学参数(介电常数与电导率)不同，脑内出血或缺血性损伤会改变脑内电性参数的空间分布，进而影响空间电磁场分布与电磁波传播。利用微波探测成像技术，能从传感器测量的电磁信号中重建脑内电学参数分布，实现对脑组织异常病变的诊断。
[0003]常见的成像方法将反演域分解为像素，然后通过最小化仿真数据和测量数据的残差重建离散的介电常数。像素的数量通常远大于数据的数量，因此这是一个非线性的病态问题，需要依赖先验知识进行合理的重建。由于未知数的数量通常为数万甚至数百万，目标函数极小化的过程计算量巨大。此外，反演时利用先验信息的方式不够灵活性。人脑共性结构特征难以用数学形式描述，因此无法约束反演过程，给模型重建和解释带来了挑战。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，基于器官和组织的电磁特性数据和CT/MRI人脑三维模型构建三维人脑电磁模型大数据集，利用深度学习技术，自主提取人脑共性特征，并将其融入三维重建算法中，能降低反演多解性，提高微波成像的结构特征。本专利技术提出一种基于图像压缩的三维微波脑成像方法。能够综合利用人脑结构信息、介电常数信息，实现三维模型的高压缩率，提高三维微波脑成像的速度和精度。
[0006]本专利技术的第二方面在于提出一种基于图像压缩的三维微波脑成像装置。
[0007]为达上述目的，本专利技术一方面提出一种基于图像压缩的三维微波脑成像方法，包括：
[0008]利用基于二维断面图像的二维图像训练集构建图像编码深度神经网络；
[0009]优化所述图像编码深度神经网络的目标函数，以训练图像编码深度神经网络得到网络参数；
[0010]基于所述网络参数和所述二维断面图像构建三维人脑编码向量，并根据所述三维人脑编码向量和微波测脑数据构建反演目标函数；
[0011]基于优化后的所述反演目标函数将所述三维人脑编码向量解码为点阵表示的三维人脑介电常数模型，以根据所述三维人脑介电常数模型进行三维微波脑成像。
[0012]本专利技术实施的基于图像压缩的三维微波脑成像装置还可以具有以下附加技术特征：
[0013]进一步地，所述二维断面图像，包括基于脑CT或MRI图像构建描述脑介电常数空间
分布的二维断面图像。
[0014]进一步地，通过优化算法最小化训练所述目标函数，直至过程收敛，得到训练好的图像编码深度神经网络。
[0015]进一步地，所述三维人脑编码向量，包括所述二维断面图像的隐空间参数。
[0016]进一步地，所述人脑训练集包括输入数据和标签数据；所述图像编码深度神经网络的结构包含多种形式。
[0017]为达上述目的，本专利技术另一方面提出一种基于图像压缩的三维微波脑成像装置，包括：
[0018]网络构建模块，用于利用基于二维断面图像的二维图像训练集构建图像编码深度神经网络；
[0019]网络训练模块，用于优化所述图像编码深度神经网络的目标函数，以训练图像编码深度神经网络得到网络参数；
[0020]目标函数构建模块，用于基于所述网络参数和所述二维断面图像构建三维人脑编码向量，并根据所述三维人脑编码向量和微波测脑数据构建反演目标函数；
[0021]微波成像模块，用于基于优化后的所述反演目标函数将所述三维人脑编码向量解码为点阵表示的三维人脑介电常数模型，以根据所述三维人脑介电常数模型进行三维微波脑成像。
[0022]本专利技术实施例的基于图像压缩的三维微波脑成像方法和装置，利用深度神经网络的隐空间参数替代点阵表示的三维人脑，大幅减少了成像未知数，具有更高的计算效率。人脑共性结构特征可以通过训练神经网络纳入反演，减轻反问题求解的病态性。
[0023]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0024]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0025]图1为根据本专利技术实施例的基于图像压缩的三维微波脑成像方法流程图；
[0026]图2为根据本专利技术实施例的基于图像压缩的三维微波脑成像方法的架构图；
[0027]图3为根据本专利技术实施例的仿真算例中所使用的部分训练数据示意图；
[0028]图4(a)、图4(b)和图4(c)分别为根据本专利技术实施例的编码测试示意图；
[0029]图5(a)、图5(b)和图5(c)分别为根据本专利技术实施例的微波成像结果与传统基于像素的微波成像结果的对比示意图；
[0030]图6为根据本专利技术实施例的图像压缩神经网络示意图；
[0031]图7为根据本专利技术实施例的基于图像压缩的三维微波脑成像装置的结构图。
具体实施方式
[0032]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。
[0033]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的
附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0034]下面参照附图描述根据本专利技术实施例提出的基于图像压缩的三维微波脑成像方法和装置。
[0035]图1是本专利技术实施例的基于图像压缩的三维微波脑成像方法的流程图。
[0036]如图1所示，该方法包括但不限于以下步骤：
[0037]S1，利用基于二维断面图像的二维图像训练集构建图像编码深度神经网络；
[0038]S2，优化图像编码深度神经网络的目标函数，以训练图像编码深度神经网络得到网络参数；
[0039]S3，基于网络参数和二维断面图像构建三维人脑编码向量，并根据三维人脑编码向量和微波测脑数据构建反演目标函数；
[0040]S4，基于优化后的反演目标函数将所述三维人脑编码向量解码为点阵表示的三维人脑介电常数模型，以根据三维人脑介电常数模型进行三维微波脑成像。
[0041]具体地，本专利技术预训练深度神经网络实现人脑介电常数二维断面的编码与解码，以及三维测脑微波数据反演，如图2所示，其中预训练深度神经网络包括以下步骤：通过脑CT或MRI图像，构建描述脑介电常数空间分布的二维断面图像，构成人脑二维电磁模型训练集；根据所述训练集设计用于图像压缩的深度神经网络(包括编码器与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像压缩的三维微波脑成像方法，其特征在于，包括以下步骤：利用基于二维断面图像的二维图像训练集构建图像编码深度神经网络；优化所述图像编码深度神经网络的目标函数，以训练图像编码深度神经网络得到网络参数；基于所述网络参数和所述二维断面图像构建三维人脑编码向量，并根据所述三维人脑编码向量和微波测脑数据构建反演目标函数；基于优化后的所述反演目标函数将所述三维人脑编码向量解码为点阵表示的三维人脑介电常数模型，以根据所述三维人脑介电常数模型进行三维微波脑成像。2.根据权利要求1所述的方法，其特征在于，所述二维断面图像，包括基于脑CT或MRI图像构建描述脑介电常数空间分布的二维断面图像。3.根据权利要求1所述的方法，其特征在于，通过优化算法最小化训练所述目标函数，直至过程收敛，得到训练好的图像编码深度神经网络。4.根据权利要求1所述的方法，其特征在于，所述三维人脑编码向量，包括所述二维断面图像的隐空间参数。5.根据权利要求1所述的方法，其特征在于，所述人脑训练集包括输入数据和标签数据；所述图像编码深度神经网络的结构包含多种形式。6.一种基于图像压缩的三维微波脑成像装置，其特...

【专利技术属性】
技术研发人员：李懋坤，郭睿，林智超，杨帆，许慎恒，
申请(专利权)人：清华大学，
类型：发明
国别省市：