基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于SFDI
‑
net神经网络的组织信息实时获取方法及可读写介质


[0001]本专利技术具体涉及一种基于
SFDI
‑
net
神经网络的组织信息实时获取方法及可读写介质
。

技术介绍

[0002]皮肤组织结构特征的变化和生理成分的相对变化能够在临床中反映人体很多疾病和病理的表现
。
光学方法由于其非侵入性和对皮肤组织的生理和功能变化的高灵敏度而成为皮肤监测的首选方法
。
空间频域成像（
Spatial Frequency Domain Imaging
，
SFDI
）作为一种新型的无标记大视场成像方法，可以快速解析混浊介质的光学性质，非常适用于表征皮肤结构和血流动力学
。
与其他光学方法相比，
SFDI
不仅在大视场下量化组织的吸收和散射特性方面有独特的优势，同时保留了对微观结构的敏感性
。
目前，
SFDI
已应用于皮肤病的临床监测
、
血流动力学监测和烧伤创面监测，具有广阔的临床应用前景
。
[0003]然而，
SFDI
在组织成像中的应用仍存在着重大的挑战
。
尽管能提供单个点上的皮肤结构和生理信息的
SFDI
设备已经存在，但它不足以完全揭示皮肤组织的微循环状态，所以仍需要不断推动实现组织功能特性的
SFDI
二维定量成像
>。
目前所流行的光学特性反演过程是组织的调制传递函数（
MTF
）经基于蒙特卡罗或各种扩散模型的最小二乘法逐点拟合组织光学特性的二维分布图
。
该过程的计算时间成本大，一次反演的时间由
10
秒到几小时不等，而理想情况下，视频率
(>10fps)
反馈是临床应用的首选，相应的每次反演时间应该在
100ms
以内
。
为了快速获取组织二维光学特性，通常使用迭代搜索算法
、
查表法等方法反演组织二维光学特性，不过反演速度仍达不到理想状态
。
近年来，深度学习（
Deep Learning
，
DL
）方法在高维空间的映射上表现优异，非常适合解决
SFDI
的逆问题
。
研究者们将其用于估计广域场的光学特性和生理参数，该方法使反演速度提高
300
‑
100000
倍
。
但该模型只能用于少数组织参数的监测
。
同时它没有考虑皮肤分层结构的影响，结果的准确性难以保证
。
作为一种潜在的解决方案，我们过去报道了一种微扰式空间频域成像
(P
‑
SFDI)
，能快速对皮肤和皮肤微循环的光学特性和生理特性进行二维映射，但其反演一次结果需要大约
40
秒，无法进行实时映射成像
。
因此，现在急需提出新的反演方法，以缩短光学特性和生理特性反演时间，从而加快已有成果在临床上的转化以及推广
。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的在于提供一种基于
SFDI
‑
net
神经网络的组织信息实时获取方法及可读写介质
。
[0005]为实现上述目的，本专利技术提供了如下技术方案：一种基于
SFDI
‑
net
神经网络的组织信息实时获取方法，其包括以下步骤：
S1
通过设定光强，将一系列不同空间频率的正弦图案投影到前臂皮肤上，并由
CCD
相机采集漫反射率图像；
S2
从获取的图像中选择设定范围内的图像，并进行三相移法解调和校准，得到组织调制传递函数
MTF
；
S3
构建
SFDI
‑
net
神经网络模型，以组织调制传递函数
MTF
作为输入，光学特性和生理参数作为输出，所述
SFDI
‑
net
神经网络模型由两条相互对称的收缩路径和扩展路径组成，所述收缩路径包括两次下采样层，每一个下采样操作中均经过卷积层将特征通道的数量增加一倍，每一个卷积层重复应用两个填充为0和步长为2的1×1卷积核，每个卷积核后使用一个双曲正切函数，所述扩展路径包括两个上采样层，每个上采样操作中均经过卷积层将特征通道的数量减少一半，并与收缩路径中相应特征图进行拼接，然后重复应用两个填充为0和步长为2的1×1卷积核，随后使用一个双曲正切函数激活器，在网络输出层使用填充为0和步长为2的1×1卷积核，随后使用双曲正切函数激活函数将预测归一化到
‑1和1之间，同时加入全变分正则化，公式为；
S4
训练构建好的
SFDI
‑
net
神经网络模型，以组织调制传递函数
MTF
作为输入，光学特性和生理参数作为输出；
S5
利用
S4
训练好的
SFDI
‑
net
神经网络模型将组织进行调制传递函数
MTF
到光学特性和生理参数的二维映射，获得二维映射图
。
[0006]所述
SFDI
‑
net
神经网络模型的输入采用2个频率的3个通道的调制传递函数
MTF
图像
。
[0007]所述
SFDI
‑
net
神经网络模型进行2次特征图收缩和2次特征图膨胀
。
[0008]步骤
S5
中获得总血红蛋白浓度
、
血氧饱和度
、
黑色素浓度
、
约化散射系数
、
散射能力
、
表面粗糙程度
、
上表皮厚度的二维映射图
。
[0009]SFDI
‑
net
神经网络模型以三个波长
623 nm
，
540 nm
，
460 nm
以及2个空间频率
0mm
‑
1, 0.2mm
‑1的6个调制调制传递函数
MTF
作为输入
。
[0010]一种电子设备，其包括至少一个处理器及与所述至少一个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至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任意一项基于
SFDI
‑
net
神经网络的组织信息实时获取方法一种计算机可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
SFDI
‑
net
神经网络的组织信息实时获取方法，其特征在于：其包括以下步骤：
S1
通过设定光强，将一系列不同空间频率的正弦图案投影到前臂皮肤上，并由
CCD
相机采集漫反射率图像；
S2
从获取的图像中选择设定范围内的图像，并进行三相移法解调和校准，得到组织调制传递函数
MTF
；
S3
构建
SFDI
‑
net
神经网络模型，所述
SFDI
‑
net
神经网络模型由两条相互对称的收缩路径和扩展路径组成，所述收缩路径包括两次下采样层，每一个下采样操作中均经过卷积层将特征通道的数量增加一倍，每一个卷积层重复应用两个填充为0和步长为2的1×1卷积核，每个卷积核后使用一个双曲正切函数，所述扩展路径包括两个上采样层，每个上采样操作中均经过卷积层将特征通道的数量减少一半，并与收缩路径中相应特征图进行拼接，然后重复应用两个填充为0和步长为2的1×1卷积核，随后使用一个双曲正切函数激活器，在网络输出层使用填充为0和步长为2的1×1卷积核，随后使用双曲正切函数激活函数将预测归一化到
‑1和1之间，同时加入全变分正则化，公式为；
S4
训练构建好的
SFDI
‑
net
神经网络模型，以组织调制传递函数
MTF
作为输入，光学特性和生理参数作为输出；
S5
利用
S4
训练好的
SFDI
‑
net
神经网络模型将组织进行调制传递函数
MTF
到光学特性和生理参数的二维映射，获得二维映射图
。2.
根据权利要求1所述的基于
SFDI
‑
net
神经网络的组织信息实时获取方法，其特征在于：所述
SFDI
‑
net
神经网络模型的输入采用2个频率的3个通道的调制传递函数

【专利技术属性】
技术研发人员：徐敏，黄国武，林维豪，胡延森，
申请(专利权)人：温州医科大学，
类型：发明
国别省市：