[發明專利]基于混合精度訓練的深度ECT圖像增強方法

有效

• 申請號: 202010900349.6
• 申請日: 2020-08-31
• 公開（公告）號: CN112330761B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 孫江濤;朱海;白旭;徐立軍;田文斌
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 易卜

1.基于混合精度訓練的深度ECT圖像增強方法，其特征在于，具體步驟如下：

步驟一、使用傳統成像算法得到初步的重建圖像，并隨機添加高斯噪聲，分為訓練集和測試集；

訓練集和測試集均由仿真數據構成，每一組仿真數據中包含場域邊界電容值，場域的目標分布圖y，以及場域中包含的電介質分布的等級標簽；

所述的高斯噪聲主要添加在生成的邊界電容值上，網絡的原始輸入x為：x＝g(c)，其中g(·)為傳統的圖像重建方法，c為未添加噪聲的電容值；現在的網絡輸入為：其中為添加高斯噪聲后的電容值；其中，σ為高斯噪聲函數；

步驟二、利用訓練集對包含編碼器網絡和解碼器網絡的神經網絡進行訓練；

步驟三、將測試集的重建圖像分別輸入訓練好的編碼器網絡中，利用基礎特征提取網絡自動提取圖像特征；

基礎特征提取網絡包括兩個：分別為101層網絡和44層網絡；其中44層網絡的形成是：將101層網絡在第四個階段即conv4_x的23個重復的卷積模塊，壓縮到4個，別的階段的卷積模塊數量保持不變形成的；

通過基礎特征提取網絡提取到輸入圖像中有分布區域的邊緣信息，通過該邊緣信息確定分布的形狀，從而區分有物質分布的區域與沒有物質分布的區域；

步驟四、將自動提取的圖像特征經過空洞空間金字塔網絡后，對應的各輸出在特征的通道維度進行連接，經過1×1卷積后，與經過1×1卷積后的基礎特征提取網絡提取到的圖像特征在通道維度進行連接，最終得到編碼器網絡的輸出；

步驟五、將編碼器網絡的輸出輸入到解碼器網絡中，通過1*1卷積和上采樣2倍的組合操作以及多等級融合操作，恢復圖像的尺寸和特征信息，輸出重建圖像；

上采樣采用雙線性插值上采樣操作，每次上采樣2倍，共進行四次；在每一個上采樣操作前添加一個1*1的卷積操作，經過上采樣后的圖像能進行自適應更新；

多等級融合是一個量化操作，將圖像中原本連續的歸一化的像素值，通過多等級融合操作向預先設定好的等級數量上進行量化，其目的是為了區分場域內不同的分布，并將有物質分布的區域和沒有物質分布的區域之間的邊界線更加清晰的識別；

步驟六、應用測試完畢的神經網絡對實時采集的圖像進行重構。

2.如權利要求1所述的基于混合精度訓練的深度ECT圖像增強方法，其特征在于，步驟一中所述的仿真數據的生成方法：

首先，將場域設置成半徑為20的圓形，采用第一個隨機自由度來表示場域中包含的電介質的數量，將一個場域中能夠包含的電介質的數量設置為1-5個，每次仿真時隨機選取一個數；

然后，采用多邊形擬合的方式設置電介質的分布形狀：先用離散點在圓形場域中畫出一個矩形，矩形各條邊離散點的數量等于矩形各條邊的長度，矩形的長和寬設置是第二個隨機自由度，選擇的范圍在10-20之間，每次隨機在該范圍內選取一個數作為長，再選取一個數作為寬；在矩形的四條邊上分別以35％的采樣率從離散點中隨機選取邊界點，然后按照順序將選取的邊界點進行連接構成最終的分布形狀；

接著，場域內每一個電介質分布的位置是第三個自由度，通過隨機設置矩形左下角點的位置來控制最終分布的位置，同時保證每一個電介質分布的所有點都在圓形場域內；

最后，將上述生成的場域分布圖輸入到COMSOL Multiphysics中進行有限元仿真計算，即可得到邊界電容值，場域的目標分布圖y和等級標簽；

3.如權利要求1所述的基于混合精度訓練的深度ECT圖像增強方法，其特征在于，所述的步驟二具體為：

首先，利用輸入圖像計算網絡的實際輸出p：

其中，f為網絡函數，θ為網絡中的參數；

然后、計算網絡的優化損失；

其中L為網絡輸出圖像的通道數，H為網絡輸出圖像的高，W為網絡輸出圖像的寬，α和γ是兩個調制因子，y_lhw為網絡的目標輸出；

并計算優化損失相對于網絡權重的梯度；

最后更新網絡權重：其中,θ_i表示第i次迭代的權重，θ_i+1表示第i+1次迭代的權重，h代表學習率；

最后，重復上述步驟，直到網絡參數收斂。

4.如權利要求1所述的基于混合精度訓練的深度ECT圖像增強方法，其特征在于，所述的空洞空間金字塔網絡包括：1*1的卷積核，空洞率為6的3*3的卷積核，空洞率為12的3*3的卷積核，空洞率為18的3*3的卷積核以及空洞率為24的3*3的卷積核。