一种基于深度学习的电阻抗成像高分辨率重建方法与系统技术方案

本发明专利技术公开了一种基于深度学习的电阻抗成像高分辨率重建方法与系统。本发明专利技术通过对CT或MRI数据集进行分割和模拟电极施加来制备EIT数据集，得到边界电压和电导率分布。使用高斯‑牛顿方法根据测量的边界电压进行电导率粗重建，为精准电导率重建提供先验信息，提升重建质量。本发明专利技术提出了双分支协同融合策略网络实现电导率的精准重建，该网络模型包括两个分支：电导率分支和结构分支。电导率分支用来学习测量的边界电压到电导率的映射；结构分支用来学习粗重建的电导率到精准电导率的映射，并将两个分支的结果进行融合训练对电导率进行精准重建。本发明专利技术利用以上技术，可精确重建感兴趣人体组织与异质物区域的电导率。

【技术实现步骤摘要】

本专利技术涉及医学成像，特别涉及一种基于深度学习的电阻抗成像高分辨率重建方法与系统。

技术介绍

1、在医学影像学领域，电阻抗断层成像(electrical impedance tomography,eit)是一种非侵入性成像技术。传统的eit技术通过在生物体身上施加小电流并测量其产生的电压变化来重建生物组织的电导率分布。然而，由于eit方法本身的病态性和不适定性，导致重建的电导率图像空间分辨率较低、准确性较差。因此，提高eit成像的分辨率和准确性是当前研究的热点和挑战之一。

技术实现思路

1、专利技术目的：针对以上缺点，本专利技术提供一种基于深度学习的电阻抗成像高分辨率重建方法及系统，目的是提供对感兴趣生物组织区域的电导率进行精准重建。

2、技术方案：为解决上述问题，本专利技术公开一种基于深度学习的电阻抗成像高分辨率重建方法，包括以下步骤：

3、(1)对获取的ct或mri数据集进行分割，分割出正常组织区域和异质物区域，并对分割结果进行网格离散化；

4、(2)将网格离散化后的本文档来自技高网...

【技术保护点】

1.一种基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，在步骤(4)中，还构建双分支协同融合策略网络的损失函数，用于在训练过程中引导电导率分支和结构分支协同融合的参数调节。

3.根据权利要求1或2所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，在步骤(4)中，使用Adam优化器根据电导率分支和结构分支协同融合策略网络的损失函数更新该网络模型。

4.根据权利要求1所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，步骤(2)中，敏感度矩...

【技术特征摘要】

1.一种基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，在步骤(4)中，还构建双分支协同融合策略网络的损失函数，用于在训练过程中引导电导率分支和结构分支协同融合的参数调节。

3.根据权利要求1或2所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，在步骤(4)中，使用adam优化器根据电导率分支和结构分支协同融合策略网络的损失函数更新该网络模型。

4.根据权利要求1所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，步骤(2)中，敏感度矩阵s的表达式为：其中，表示边界电压对电导率分布的偏导数，即电导率的微小变化对电压测量值的影响。

5.根据权利要求4所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，步骤(2)中，根据求解出的敏感度矩阵s的计算出新的边界电压v1＝sσ’，最后对边界电压v0和v1进行预处理得到该模型最终的边界电压值v＝(v1-v0)/v0。

6.根据权利要求1所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，步骤(3)中，包括以下分步骤：

7.根据权利要求1所述的基于深度学习的电阻抗成像高分辨率重建方法，其特征在于，步骤(4)中，在电导率分支，使用了级联的全连接-u-net网络来学习边界电压v到电导率的映射，电压值作为网络的输入，并由一个全连接层进行初始化，得到矩阵，并将该矩阵进行reshape操作转换，转换后再将该矩阵传入到u-net网络进行特征学习；u...

【专利技术属性】
技术研发人员：陈春晓，肖月月，王亮，王昆鹏，孟若愚，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：