一种基于模型的深度学习扩散光学层析成像方法

摘要

本发明公开了一种基于模型的深度学习扩散光学层析成像方法，属于医学图像处理领域。提出将卷积神经网络(CNN)构建正则化算子，并结合光传输模型直接重建生物组织的光学特性参数分布。实现从数据域到图像域的直接重建。

说明书

技术领域

本发明属于医学图像处理领域，涉及基于深度学习进行扩散光学层析成像图像重建的方法。

背景技术

扩散光学层析成像(Diffuse optical tomography，DOT)是一种利用近红外光入射生物组织从而获得组织体功能信息的新型光学成像诊断技术，具有无创、非入侵的优点。DOT已广泛应用于脑功能检测、组织内血红蛋白检测、早期乳腺癌检测等诸多医疗场景。

DOT成像原理为：使用波段范围为600nm-950nm的近红外光照射组织，并利用光学探测器采集组织散射出的近红外光，进而通过图像重建方法反演生物组织内部的光学特性参数。

对于DOT图像重建，由于光学探测器采集的测量值数量远远小于生物组织光学参数的数量，从而导致图像重建具有严重的病态性。

为减低图像重建过程中的病态性，常用的重建方法主要是基于数值的重建方法。基于数值的重建方法，主要是基于最小二乘和稀疏的方法，即通过增加 L1正则化或L2正则化的方法将近红外光图像重建问题转变为一个非线性的最优化问题。但是基于正则化的图像重建方法往往会导致重建的图像存在严重伪影，而且图像重建时间较长。基于此，本发明提出基于卷积神经网络作为正则化项进行扩散光学层析图像重建。

发明内容

扩散光学层析成像的目的是利用在生物组织体表采集的微弱光信号，并结合光在生物组织中的传输规律来重建生物组织的光学特性参数分布。

为实现上述目的，本发明提出基于模型的深度学习扩散光学层析成像算法。该算法基于卷积神经网络(Convolutional Neural Networks，CNN)构建正则化算子，并结合光传输模型重建生物组织的光学参数特性分布以降低重建图像的伪影。

该方法基于光传输模型和正则化理论，将扩散光学层析成像图像重建问题变为求解下面的最优化问题：

其中，Ω(μ)关于待求解的光学特性参数μ的代价函数，φ

为优化求解(1)，求Ω(μ)关于光学特性参数μ的一阶导数，并置于零，得到：

其中，Ω(μ)关于μ的代价函数，J是雅克比矩阵，其值为

φ

φ

其中，J

联立公式(2)和(3)，可得到公式(4)

将公式(4)整理后得到公式(5)

其中，I是单位矩阵，δφ

基于公式(5)，第i次迭代重建的光学参数μ

μ

卷积神经网络是由深度为五层的卷积神经网络构成的，其网络输入为第i-1 次迭代重建的光学参数μ

本发明的网络分为两个部分其结构如图1所示。第一个部分是卷积神经网络(CNN)其结构如图2所示，该部分用以在迭代的过程中去除噪声和伪影。第二个部分是数值计算过程。图3为网络按照迭代次数进行展开的示意图。

算法流程如图1

步骤1：首先设定网络的数值迭代次数为k＝n。

步骤2：首先判断网络是不是第一次迭代，即i＝1。如果是第一次轮迭代(i＝1)，将μ

步骤3：根据μ

步骤4：进行数值计算，根据步骤2得出的雅可比矩阵J计算出

步骤5：更新迭代的光学特性参数μ

重复步骤2到5，直到迭代次数满足设定的迭代次数k。

网络训练是以Adam算法为优化算法不断更新网络权重，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特性参数分布。

附图说明

图1为本发明的卷积神经网络结构示意图，其输入为含有噪声和伪影的重建吸收值，输出为去噪之后吸收值。

图2为系统网络，其中输入为边界的近红外光强测量值。

图3为系统按照迭代次数进行展开的示意图。

图4为仿体的有限元剖分网络，共有847个节点。

图5为光源及探测器的位置。

图6为真实值图像。黑色区域为背景区域，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0.03。

图7为通过本方法重建的吸收系数分布结果。

具体实施方式

下面根据具体实施示例与附图对本发明进行说明。

首先，建立半径为50mm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4所示。实验中，光源与探测器均有8个，如图5所示均匀放置在仿体表面，每个仿体可测得64个边界测量值，成像像素为圆上847个均匀的有限元节点。然后设置光源为单波长调制频率为0的连续波域模式，通过光扩散传输方程计算出边界探测器探测到的值，作为网络的输入，光学特性参数分布作为网络的输出，真实光学特性参数分布如图6所示作为网络的标签。数据集共包含5100个样本，其中包含5000个训练样本和100个测试样本，每个样本包含一个半径为8厘米的圆形异常区，其光学吸收系数设为0.03mm

在训练的过程中首先将迭代次数设置为iteration＝1，训练轮数epoch＝4，学习率设置为0.001，训练完成后将卷积神经网络的权值保存下来。然后将迭代次数设置为iteration＝2，训练轮数epoch＝4，学习率设置为0.001，并在开始训练的时候导入第一次训练的权值。第二轮训练之后查看训练结果，如果重建结果不可接受，就进行第三轮训练，将迭代次数设置为iteration＝3，训练轮数 epoch＝4，学习率设置为0.001，并在开始训练前导入第一次训练的权值，重复该步骤直至重建的吸收系数结果可以接受。

本发明使用基于模型的深度学习扩散光学层析成像算法。通过本方法计算，可以直接从测量值重建出光学吸收系数，结果如图7所示。实验结果表明，本方法不但可以对光学吸收系数分布进行较为准确重建，同时有较高的计算效率。