基于卷积神经网络的近红外光谱断层成像重建方法.pdf

《基于卷积神经网络的近红外光谱断层成像重建方法.pdf》由会员分享，可在线阅读，更多相关《基于卷积神经网络的近红外光谱断层成像重建方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910161938.4 (22)申请日 2019.03.05 (71)申请人 北京工业大学 地址 100124 北京市朝阳区平乐园100号 (72)发明人 冯金超孙秋婉贾克斌李哲 孙中华 (74)专利代理机构 北京思海天达知识产权代理 有限公司 11203 代理人 沈波 (51)Int.Cl. A61B 5/00(2006.01) (54)发明名称 一种基于卷积神经网络的近红外光谱断层 成像重建方法 (57)摘要 本发明公开了一种基于卷积神经网络的近 红外光谱断层成像重建方。

2、法， 属于医学图像处理 领域。 采用卷积神经网络表达近红外光谱断层成 像目标的边界测量值与内部光学参数分布的非 线性映射关系， 通过网络训练可从测量值得到吸 收系数分布图像， 实现传感器域到图像域的直接 重建。 本方法可在保证光学参数分布准确重建的 情况下具有较高的计算效率。 权利要求书2页 说明书4页 附图3页 CN 109924949 A 2019.06.25 CN 109924949 A 1.一种基于卷积神经网络的近红外光谱断层成像重建方法， 其特征在于： 利用卷积神 经网络表达目标边界的测量值与成像区域内部光学参数分布的非线性映射关系， 省去迭代 计算的过程， 实现从传感器域到图像域的。

3、重建； 采用光在组织中的扩散近似方程描述光的传播， 其形式为： 为散射系数； a为吸收系数； (r， t)表示光子密度分布； q0(r， t)表示光源； t表示时 间； r表示坐标位置向量； c表示光在组织中的传输速度； 由于近红外光谱断层成像假定光源为各项同性光源， 即光源不随时间改变， 因此忽略 时间对扩散方程的影响， 采用连续波模式下的扩散近似方程， 其形式为： 其中， q0(r)是各向同性的光源； (r)是位置r处的光子密度分布； (r)为散射系数； a (r)为吸收系数； 本方法采用的边界条件为Robin边界条件以表示边界内外介质折射率不一致时， 光子 在边界处反射的现象， Robi。

4、n边界条件也称为指数失配的III型条件或混合边界条件； 该边 界条件表达光子在边界被反射回介质的部分等于介质内的光辐射总强度， 以等式形式描述 为： 其中， 是组织外边界上的点； 是向外指向的法线； An取决于组织与空气之间的失配相 对折射率(refractive index， RI)； 这里， An的表达式为： 其中， Rn表示扩散传输内反射系数， n与边界内外光学折射系数偏差相关； 成像的前向过程为已知光学参数分布， 结合有限元法并根据扩散近似方程求解出边界 测量值， 将作为卷积神经网络的输入， 则光学参数分布图为卷积神经网络的输出。 2.根据权利要求1所述的一种基于卷积神经网络的近红外光。

5、谱断层成像重建方法， 其 特征在于： 卷积神经网络分为两部分， 前半部分为全连接层FC， 目的是将一维的边界测量值 扩展为具有足够形成二维矩阵即图像元素的数据； 后半部分为卷积层C及反卷积层DC， 用以 提取数据中的高级特征； 设输入数据为两个全连接层FC1和FC2分别包含q2和n2个节点， 则两个全连接层 的输出yFC1和yFC2分别为： 其中和为全连接层权重， f1()和f2()为全连接层的激活函数， bFC1和bFC2 为偏置， k和j分别表示两个全连接层的第几个节点； 为实现从传感器域到图像域的转换， 在全连接层与卷积层的连接处， 将全连接层的一 权利要求书 1/2 页 2 CN 10。

6、9924949 A 2 维向量输出排列为二维矩阵形成初步的图像再进行卷积， 则两个卷 积层输出为： yC1f3(Y*wC1+bC1) (7) yC2f4(yC1*wC2+bC2) (8) 其中wC1和wC2为卷积层权重， f3()和f4()为卷积层激活函数， bC1和bC2为偏置， *表示 卷积计算； 最后经过转置卷积得到最终输出 其中表示转置卷积， wDC、 f5()以及bDC分别表示转置卷积层的权重、 激活函数和偏 置； 网络训练是以RMSprop算法为优化算法不断更新网络权重及偏置， 直至模型误差满足 要求或达到其他训练停止条件时停止训练； 模型的输出即为光学吸收系数分布。 权利要求书 。

7、2/2 页 3 CN 109924949 A 3 一种基于卷积神经网络的近红外光谱断层成像重建方法 技术领域 0001 本发明属于医学图像处理领域， 涉及一种基于卷积神经网络的近红外光谱断层成 像重建方法。 背景技术 0002 近红外光谱(Near-infrared spectroscopy， NIRS)断层成像是一种新兴的功能性 医学成像方式， 其成像装置放置在生物组织周围或表面， 无需借助外源性探针， 不会对组织 体造成损伤， 另外成像所采用的近红外光波对人体组织无伤害， 因此该技术具有无损伤性； 近红外光成像能够有效的进行生物组织结构和功能成像， 可以研究生物组织的形态结构， 生理特征，。

8、 病理特征， 代谢功能等， 特别适合于表征乳腺癌等软组织病变以及进行癌症的早 期检测， 除此之外， 该技术还具有便携性以及低成本的优点， 因此受到了学界的广泛关注并 成功应用于各种类型的血氧检测， 如脑功能成像、 新生儿大脑监测、 骨关节成像以及乳腺癌 检测等。 0003 该技术的基本原理为： 使用600nm到950nm的近红外光波照射组织体， 并利用光敏 元件测量组织体表面的光强或者时间分辨率等信号， 以此来重建组织内与结构或生理活动 相关的光学参数的分布情况。 该技术的理论依据是组织中不同物质对光的具有不同的散射 和吸收特性， 因此组织的光学参数(如吸收系数、 散射系数)也会随之发生变化，。

9、 光学参数与 生物组织不同生理状态相关， 利用上述特性， 可将近红外光谱断层成像重建的光学参数用 于医疗诊断项目中。 0004 在实际重建中， 光在传输过程中会有一部分被组织吸收。 在近红外光成像的波段 内， 光的散射远大于吸收， 并且边界测量数据中不可避免地会混有噪声， 导致断层成像具有 严重的病态性。 另外由于测量的次数有限， 导致重建组织内部光学参数问题是一个不适定 的问题。 扩散光在组织内可能历经多次散射和吸收， 又加之光在生物组织中的穿透深度不 大， 因此光敏元件对出射光的探测能力也不高， 这导致重建结果的空间分辨率远小于其他 的成像模态。 0005 为了解决重建的不适定性和病态性，。

10、 目前常使用正则化的求解方法将近红外光图 像重建问题转变成一个非线性的最优化问题。 然而传统正则化方法容易受到噪声的影响产 生伪影， 成像重建时间也比较长， 因此本发明考虑利用卷积神经网络来进行近红外光谱图 像重建。 0006 卷积神经网络(Convolutional Neural Networks， CNN)是深度学习的代表算法之 一， 随着深度学习理论和计算设备的发展， 卷积神经网络也逐渐兴起。 卷积神经网络是一类 包含卷积计算的前馈神经网络， 最早提出于1987年， 是传统人工神经网络的一种改进。 相比 传统的全连接网络来说， 它具有局部感受野并共享卷积核， 大大减少了可训练的参数， 提。

11、高 训练效率； 可以对高维数据进行处理并自动提取全局以及局部特征形成多特征图， 因此卷 积神经网络以其独特的优势被广泛应用于计算机视觉、 自然语言处理等各个领域。 说明书 1/4 页 4 CN 109924949 A 4 发明内容 0007 近红外光谱断层成像的目的是利用近红外光照射生物组织， 并采用数个光敏原件 测量组织边界的散射光， 通过边界散射光计算生物组织内部的光学参数(吸收系数、 散射系 数等)分布。 0008 为实现上述目的， 本发明采用的技术方案为一种基于卷积神经网络的近红外光谱 断层成像重建方法， 利用卷积神经网络表达目标边界的测量值与成像区域内部光学参数分 布的非线性映射关系。

12、， 省去迭代计算的过程， 实现从传感器域到图像域的重建。 0009 为了准确描述测量值与光学参数之间的关系以便训练网络， 采用光在组织中的扩 散近似方程描述光的传播， 其形式为： 0010 0011 其中， 为散射系数；a为吸收系数； (r,t)表示光子密度分布； q0(r,t)表示光源； t表示时间； r表示坐标位置向量； c表示光在组织中的传输速度。 0012 由于近红外光谱断层成像假定光源为各项同性光源， 即光源不随时间改变， 因此 忽略时间对扩散方程的影响， 采用连续波模式下的扩散近似方程， 其形式为： 0013 0014 其中， q0(r)是各向同性的光源； (r)是位置r处的光子密。

13、度分布； (r)为散射系 数；a(r)为吸收系数。 0015 本方法采用的边界条件为Robin边界条件以表示边界内外介质折射率不一致时， 光子在边界处反射的现象， Robin边界条件也称为指数失配的III型条件或混合边界条件。 该边界条件表达光子在边界被反射回介质的部分等于介质内的光辐射总强度， 以等式形式 描述为： 0016 0017其中， 是组织外边界上的点； 是向外指向的法线； An取决于组织与空气之间的失 配相对折射率(refractive index， RI)。 这里， An的表达式为： 0018 0019 其中， Rn表示扩散传输内反射系数， n与边界内外光学折射系数偏差相关。 0。

14、020 成像的前向过程为已知光学参数分布， 结合有限元法并根据扩散近似方程求解出 边界测量值， 将作为卷积神经网络的输入， 则光学参数分布图为网络的输出。 0021 本发明的卷积神经网络的结构如图1所示。 该网络分为两部分， 前半部分为全连接 层FC， 目的是将一维的边界测量值扩展为具有足够形成二维矩阵(即图像)元素的数据； 后 半部分为卷积层C及反卷积层DC， 用以提取数据中的高级特征。 0022设输入数据为两个全连接层FC1和FC2分别包含q2和n2个节点， 则两个全 连接层的输出yFC1和yFC2分别为： 0023 0024 说明书 2/4 页 5 CN 109924949 A 5 00。

15、25其中和为全连接层权重， f1()和f2()为全连接层的激活函数， bFC1和 bFC2为偏置， k和j分别表示两个全连接层的第几个节点。 0026 为实现从传感器域到图像域的转换， 在全连接层与卷积层的连接处， 将全连接层 的一维向量输出排列为二维矩阵形成初步的图像再进行卷积， 则两 个卷积层输出为： 0027 yC1f3(Y*wC1+bC1) (7) 0028 yC2f4(yC1*wC2+bC2) (8) 0029 其中wC1和wC2为卷积层权重， f3()和f4()为卷积层激活函数， bC1和bC2为偏置， * 表示卷积计算。 0030最后经过转置卷积得到最终输出 0031 0032其。

16、中表示转置卷积， wDC、 f5()以及bDC分别表示转置卷积层的权重、 激活函数和 偏置。 0033 网络训练是以RMSprop算法为优化算法不断更新网络权重及偏置， 直至模型误差 满足要求或达到其他训练停止条件时停止训练。 模型的输出即为光学吸收系数分布。 附图说明 0034 图1为本发明卷积神经网络结构示意图， 其中输入为边界测量数据， 输出为光学分 布图像； FC1和FC2分别表示第一和第二全连接层； C1和C2表示两个卷积层； DC表示转置卷积 层。 0035 图2为仿体的有限元剖分网格， 共有2001个节点。 0036 图3为光源及探测器的位置。 0037 图4为仿体初始的吸收系数。

17、分布， 图中面积较大的灰色圆形区域为背景区域， 吸收 系数设置为0.01， 面积较小的白色区域为背景中添加的异常区， 其吸收系数设置为0.039， 边缘的黑色区域为非成像区域， 数值为零， 实际成像中可忽略。 0038 图5为通过本方法重建的吸收系数分布结果。 具体实施方式 0039 下面根据具体实施示例与附图对本发明进行说明。 0040 首先， 通过Matlab的工具箱nirfast建立直径为80mm圆形仿体并完成仿体的有限 元网格剖分， 有限元网格剖分结果如图2所示。 实验中， 光源与探测器均有16个， 如图3所示 均匀放置于仿体表面， 每个仿体样本可测得240个边界测量值， 成像像素为圆。

18、上2001个均匀 的有限元节点。 为训练网络， 2001个节点上的吸收系数值被映射至98*98的矩阵中， 形成吸 收系数分布图像， 因此测量值作为卷积神经网络的输入， 吸收系数分布图像作为卷积神经 网络的输入和输出。 初始吸收系数分布图像如图4所示。 用于网络训练的数据集通过 nirfast工具箱的前向求解过程计算得到， 共包含3916个样本， 其中包含3500个训练样本和 416个测试样本， 每个样本包含一个圆形异常区， 每个异常区的半径与吸收系数随机选取， 说明书 3/4 页 6 CN 109924949 A 6 各个样本的背景吸收系数为0.01， 异常区圆心位置均不重复且包含2的高斯噪声。

19、。 0041 使用基于卷积神经网络的重建方法进行光吸收系数分布的重建， 在实验中设置迭 代次数epoch200， 学习率 0.00002， FC1节点数为1520， FC2节点数为9604(98*98)， C1、 C2、 DC的卷积核大小分别为5*5、 5*5、 7*7， 动量项参数为0.9。 0042 本发明使用基于卷积神经网络的光吸收系数分布重建方法。 通过本方法计算， 可 以直接从测量值重建出吸收系数分布图像， 重建结果如图5所示， 网络训练时间为30分钟， 重建时间为0.0503s。 实验结果表明， 本方法不但可以对吸收系数分布进行较为准确重建， 同时有较高的计算效率。 说明书 4/4 页 7 CN 109924949 A 7 图1 图2 说明书附图 1/3 页 8 CN 109924949 A 8 图3 图4 说明书附图 2/3 页 9 CN 109924949 A 9 图5 说明书附图 3/3 页 10 CN 109924949 A 10 。