基于深度神经网络的超分辨率光声显微成像方法技术

本发明专利技术公开了一种基于深度神经网络的超分辨率光声显微成像方法，包括：通过光学分辨率光声显微成像系统获得高、低分辨率两组光声信号数据；将采集的两组光声信号数据进行图像重建；对两组重建的原始光声图像预处理，构成输入样本集；搭建深度神经网络模型并训练，所述深度神经网络模型具体为基于光声图像优化的DenseRes

【技术实现步骤摘要】
基于深度神经网络的超分辨率光声显微成像方法


[0001]本专利技术属于光声显微成像
，具体为一种基于深度神经网络的超分辨率光声显微成像方法。

技术介绍

[0002]光声成像技术是近年来在临床上得到广泛应用的一种新的生物医学图像技术。与其它的生物医学成像技术相比，光声图像具有特定的分子或细胞图像，能够为疾病的诊断和评价提供精确的图像信息。光声学显微镜(PAM)是一种基于光声学技术的高分辨无创性成像技术，它在生物医学图像诊断中有着广阔的应用前景。
[0003]在过去的几年中，光学分辨率光学显微成像(OR
‑
PAM)的成像速度已被多次折叠提高。但是，达到的最大成像速度仍然不足以用于许多应用，例如大脑范围的神经元活动研究，其成像速度必须至少比现有方法快十到几百倍。
[0004]现有的光声图像处理方法难以对成像速度进行有效的提升，如将扫描模块的修改，扩大采样间隔，使得低像素图像向高像素学习的方法，虽然可以通过深度神经网络获得快于普通光声显微成像若干倍的的成像速度，但究其重建原理本身，由于插值采样所掠过的高层次特征信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的超分辨率光声显微成像方法，其特征在于，具体步骤为：S1：通过光学分辨率光声显微成像系统获得高、低分辨率两组光声信号数据；S2：将采集的两组光声信号数据进行图像重建；S3：对两组重建的原始光声图像预处理，构成输入样本集；S4：搭建深度神经网络模型并训练，所述深度神经网络模型具体为基于光声图像优化的DenseRes
‑
SRGAN对抗神经网络架构；S5：将采集的高、低分辨率图像输入训练好的深度神经网络，获得超分辨结果。2.根据权利要求1所述的基于深度神经网络的超分辨率光声显微成像方法，其特征在于，所述光学分辨率光声显微成像系统包括：激发模块，用于向成像样本聚焦短脉冲激光；扫描模块，用于实现对成像范围内的全扫描；采集模块，用于采集和放大光声信号并将数据传输至计算机。3.根据权利要求2所述的基于深度神经网络的超分辨率光声显微成像方法，其特征在于，所述激发模块包括脉冲激光器、小孔滤波系统、两组反射镜、准直扩束装置、遮光板以及物镜；当采集大焦半径下的光声信号时，激光激发后，光路途经小孔滤波系统、两组反射镜、物镜最终聚焦到成像样品上；当采集小焦半径下的光声信号时，激光激发后，光路途经小孔滤波系统、两组反射镜、准直扩束装置、遮光板、物镜聚焦到成像样品上。4.根据权利要求1所述的基于深度神经网络的超分辨率光声显微成像方法，其特征在于，采集不同焦半径下的光声信号时，扫描模块的扫描步进不同。5.根据权利要求1所述的基于深度神经网络的超分辨率光声显微成像方法，其特征在于，采用最大值投影进行图像重建，最大投影计算公式：M(i,j)＝max(P
i,j
(t:t+Δt))其中，M(i,j)是采集位置(i,j)处的投影值，P
i,j
是采集位置(i,j)处的光声时域信号，Δt是选定投影的区间。6.根据权利要求1所述的基于深度神经网络的超分辨率光声显微成像方法，其特征在于，对两组重建的原始光声图像预处理的具体方法为：将重建的两组不同分辨率信息的图像以偶数行像素按x轴进行像素移位；将移位后的两组不同分辨率的光声图像输入预训练的U
‑
Net网络，获得去除图像错位和噪声的...

【专利技术属性】
技术研发人员：马海钢，魏翔，封婷，左超，陈钱，高杨，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：