[發(fā)明專利]基于空洞卷積網(wǎng)絡(luò)的電阻抗圖像重建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910074577.X
• 申請(qǐng)日: 2019-01-25
• 公開（公告）號(hào): CN109859285B
• 公開（公告）日: 2023-10-13
• 發(fā)明（設(shè)計(jì)）人: 任尚杰;孫凱;董峰
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué)
• 主分類號(hào): G06T11/00
• 分類號(hào): G06T11/00;A61B5/0536
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 程毓英

本發(fā)明涉及一種基于空洞卷積網(wǎng)絡(luò)的電阻抗圖像重建方法，包括下列步驟：從已有的人體胸腔影像圖像集中提取待測(cè)肺部形狀和胸腔輪廓形狀，得到肺部和胸腔的二值圖像；根據(jù)二值圖像建立相應(yīng)的包括傳感器模型和待測(cè)內(nèi)含物在內(nèi)的EIT仿真模型，胸腔輪廓形狀用于建立傳感器模型，肺部形狀用于建立一定電導(dǎo)率的內(nèi)含物；考慮模型誤差，在EIT仿真模型基礎(chǔ)上進(jìn)行數(shù)據(jù)增強(qiáng)；求解上一步驟處理后的仿真模型正問題，得到圖像重建所需的邊界測(cè)量電壓，建立CNN模型，測(cè)量電壓和胸腔二值圖像作為CNN模型的輸入，以待測(cè)肺部圖像作為CNN模型的輸出。

技術(shù)領(lǐng)域

本發(fā)明屬于電阻抗層析成像技術(shù)領(lǐng)域，涉及構(gòu)建網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集以及基于空洞殘差網(wǎng)絡(luò)的電阻抗成像網(wǎng)絡(luò)。

背景技術(shù)

電阻抗層析成像(ElectricalImpedanceTomography簡(jiǎn)稱EIT)是一種非侵入式的成像技術(shù)，它通過場(chǎng)域的邊界測(cè)量值重建出場(chǎng)域內(nèi)部的電導(dǎo)率分布。相比其它成像技術(shù)如計(jì)算機(jī)斷層掃描(ComputedTomography,簡(jiǎn)稱CT)和核磁共振成像(MagneticResonanceImaging簡(jiǎn)稱MRI)，EIT有著無輻射、結(jié)構(gòu)簡(jiǎn)單、速度快等優(yōu)點(diǎn)，在醫(yī)學(xué)臨床監(jiān)測(cè)、多相流流型監(jiān)測(cè)以及地址勘探等領(lǐng)域有著廣闊的發(fā)展前景。

然而，由于EIT固有的“軟場(chǎng)”特性，其重建圖像往往分辨率較低，并且受測(cè)量誤差和模型誤差影響較大，這限制了EIT技術(shù)的進(jìn)一步推廣。EIT的“軟場(chǎng)”的特性在數(shù)學(xué)上表現(xiàn)為逆問題的非線性和病態(tài)性。傳統(tǒng)重建算法通過線性化的方法進(jìn)行近似和減小模型誤差的影響，并引入正則化項(xiàng)來減弱逆問題的病態(tài)性。最近，一些直接非線性的重建算法被提出，比如level-set、D-bar等，而基于神經(jīng)網(wǎng)絡(luò)的重建算法也屬于此類。

近幾年來，伴隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺和圖像處理領(lǐng)域的迅速發(fā)展和廣泛應(yīng)用，眾多深度網(wǎng)絡(luò)特別是卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork簡(jiǎn)稱CNN)也紛紛被引入到醫(yī)學(xué)成像領(lǐng)域中來。這些數(shù)據(jù)驅(qū)動(dòng)的新型成像技術(shù)被視為醫(yī)學(xué)成像領(lǐng)域繼解析法、迭代法后的第三個(gè)發(fā)展階段，它們利用由大量數(shù)據(jù)訓(xùn)練好的網(wǎng)絡(luò)，來補(bǔ)充或代替?zhèn)鹘y(tǒng)成像算法中人為定義的模型，將大數(shù)據(jù)內(nèi)在的信息自動(dòng)地融入到成像過程中。其中一種較為簡(jiǎn)便易行的辦法是在圖像域設(shè)計(jì)并訓(xùn)練一個(gè)對(duì)粗糙的重建圖像加以后處理的CNN，使CNN能學(xué)習(xí)到醫(yī)學(xué)成像過程中產(chǎn)生的噪聲以及偽影等，并在輸出圖像中移除這些不利因素，這可以被視為一個(gè)圖像增強(qiáng)或者說圖像變換過程，在計(jì)算機(jī)視覺和圖像處理領(lǐng)域這方面已經(jīng)有許多有效而易于使用的網(wǎng)絡(luò)模型。E.Kang等人2017年在《醫(yī)學(xué)物理》(MedicalPhysics)第44卷，e360-e375頁發(fā)表的題為《一種利用定向小波進(jìn)行低劑量x線CT重建的深度卷積神經(jīng)網(wǎng)絡(luò)》(Adeep convolutional neural network using directional wavelets for low-dose X-ray CT reconstruction.)的文章提出了一種在小波域?qū)Φ蛣┝緾T影像去除噪聲的CNN，網(wǎng)絡(luò)經(jīng)訓(xùn)練后可將帶噪聲的小波系數(shù)轉(zhuǎn)換為去噪后的純凈小波系數(shù)；Q.Yang等人2017年在《IEEE醫(yī)學(xué)成像期刊》(IEEE Transactions on Medical Imaging)第37卷，1348-1357頁發(fā)表的題為《基于Wasserstein距離和感知損失的生成對(duì)抗性網(wǎng)絡(luò)的低劑量CT圖像去噪》(Low Dose CT Image Denoising Using a Generative Adversarial Network withWasserstein Distance and Perceptual Loss)的文章提出了一種用生成對(duì)抗網(wǎng)絡(luò)和感知損失對(duì)低劑量CT進(jìn)行降噪的方法，GAN可以從統(tǒng)計(jì)角度減弱噪聲分布的強(qiáng)度，而感知損失可以在一個(gè)可學(xué)習(xí)的特征域內(nèi)指導(dǎo)網(wǎng)絡(luò)訓(xùn)練。除此之外，一種更徹底的策略是充分利用原始測(cè)量數(shù)據(jù)的有效信息，設(shè)計(jì)一個(gè)網(wǎng)絡(luò)由原始測(cè)量數(shù)據(jù)直接重建得到圖像，實(shí)現(xiàn)數(shù)據(jù)從信號(hào)域到圖像域的轉(zhuǎn)換，而如何設(shè)計(jì)這一個(gè)轉(zhuǎn)換模型將是很有挑戰(zhàn)的任務(wù)，以往這一過程都通過一些人為設(shè)計(jì)的傳統(tǒng)成像算法，如FBP、ART、正則化方法等實(shí)現(xiàn)，而在基于CNN的方法中這一過程則通過對(duì)大量數(shù)據(jù)的學(xué)習(xí)得到。B.Zhu等人2017年在《自然》(Nature)第555卷，487頁發(fā)表的題為《基于域變換流形學(xué)習(xí)的圖像重建方法》(Image reconstruction by domain-transform manifold learning)的文章中將成像視為一個(gè)流形學(xué)習(xí)過程，網(wǎng)絡(luò)可以學(xué)習(xí)到原始測(cè)量數(shù)據(jù)從信號(hào)域變換到圖像域的映射關(guān)系，這一過程由兩個(gè)全連接層建模，以及重建圖像在圖像域內(nèi)的低維流形最佳表示，這一過程由稀疏卷積自編碼器建模。另一種方案是將深度神經(jīng)網(wǎng)絡(luò)巧妙地融入到重建算法中，Harshit Gupta等人2017年在《IEEE醫(yī)學(xué)成像期刊》(IEEE Transactions on Medical Imaging)第37卷，1440-1453頁發(fā)表的題為《基于CNN的投影梯度下降CT圖像重建方法》(CNN-Based Projected Gradient Descent forConsistent CT Image Reconstruction)的文章中提出將投影梯度算法中的投影操作用一個(gè)CNN代替，而非將整個(gè)重建過程都放在CNN中進(jìn)行，這可以通過傳統(tǒng)算法中的反饋機(jī)制確保重建結(jié)果與原始測(cè)量電壓一致。