[發明專利]一種基于生成對抗網絡的電阻抗成像方法及系統

在審

• 申請號: 201811553939.5
• 申請日: 2018-12-18
• 公開（公告）號: CN109674471A
• 公開（公告）日: 2019-04-26
• 發明（設計）人: 劉東;俞政杰;榮星;杜江峰
• 申請（專利權）人: 中國科學技術大學
• 主分類號: A61B5/053
• 分類號: A61B5/053;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 古利蘭;王寶筠

本申請公開了一種基于生成對抗網絡的電阻抗成像方法及系統，方法包括：在物場邊界處施加激勵信號，并在邊界測得電學響應信號電壓值；基于電壓值進行初步成像，得到初步成像圖片；將初步成像圖片輸入預先訓練好的生成對抗網絡，得到最終成像的圖片。本申請提供的電阻抗成像方法，適用范圍很廣，能結合任意的初步成像算法使用，在初步成像的基礎上，利用生成對抗網絡進一步重建圖像，改善了成像精度，相對于現有技術，能夠快速、高精度的成像。

技術領域

本申請涉及電學成像技術領域，尤其涉及一種基于生成對抗網絡的電阻抗成像方法及系統。

背景技術

電阻抗成像是電學層析成像技術的一種，它通過在物場邊界處有規律地施加激勵信號，在邊界處可測得電學響應信號，算法重建出場內的阻抗分布信息，實現場內介質的二維\三維可視化測量。

電阻抗成像興起于20世紀80年代，是醫學成像技術的一個新方向，該技術出現以后，以其非侵入式、無輻射、成像速度快、設備簡單、價格低廉、可視化等優點，在工業、醫學、地質勘察等領域，都受到了廣泛的關注，有著巨大潛力被廣泛應用于成像和復雜過程監控。

由于EIT(Electrical Impedance Tomography，電阻抗成像)技術的“軟場”特性，使得EIT圖像重建問題是高度非線性的。傳統的解決非線性問題的重建算法，有靜態成像算法和動態成像算法。動態成像算法又稱為差分成像，方法簡單，具有很高的抗噪聲能力和魯棒性，現在仍被廣泛使用，包括線性反投影法、一步牛頓重建法等，但成像精度較低。靜態成像算法又稱為絕對成像，重建精度較高，可以用于定量分析，包括有迭代Tikhonov正則化、基于共軛梯度的算法等，但該類算法在每次迭代都需要進行一次正問題、反問題求解，計算效率較低，不能滿足實時成像。

隨著計算機計算力的提升和大量的數據的積累，深度學習技術發展更加成熟。在很多領域深度學習都發揮出了其巨大的優勢，甚至在一些領域深度學習算法超越了傳統算法，如在圖像處理領域、機器翻譯領域。在醫學圖像領域，已經有大量使用深度學習的CT(Computed Tomography，計算機斷層成像)、MRI(Magnetic Resonance Imaging，核磁共振成像)、PET(Positron Emission Tomography，正電子放射斷層造影術)圖像處理、重建相關的技術。在電阻抗成像領域(EIT)，也出現了利用卷積神經網絡(Convolutional NeuralNetwork，CNN)用于算法重建的方法，有基于LeNet網絡的算法重建和基于U-net網絡的算法重建。

電阻層析成像旨在利用測量電壓數據，算法重建恢復真實物體電導率分布。2018年7月發表在IEEE SENSORS JOURNAL期刊的Image Reconstruction Based onConvolutional Neural Network for Electrical Resistance，專利CN201610905596，介紹了基于卷積神經網絡的電阻抗成像方法。該方法基于LeNet結構的網絡，使用了大量數據樣本對模型訓練，并使用了dropout和移動平均值對模型進行了改善，最終訓練好的網絡，能從物場測量數據生成算法重建圖。文章中提出的基于CNN的電阻層析成像方法，相比于傳統的LBP,Tikhonov,Landwber方法有更好的成像結果。但這種成像方法，需要提供大量的訓練樣本。另外，相比較一些先進的傳統成像算法，它的成像精度仍然是比較差的。