[發明專利]一種用于光聲成像有限視角補償和去偽影的圖像重構方法

有效

• 申請號: 202011381647.5
• 申請日: 2020-12-01
• 公開（公告）號: CN112419438B
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 高飛;蘭恒榮;楊長春;高峰
• 申請（專利權）人: 上海科技大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/0455;G06N3/0464;G06N3/08
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

1.一種用于光聲成像有限視角補償和去偽影的圖像重構方法，其特征在于，將實時獲得的有限視角數據輸入訓練后的深度學習網絡架構獲得全視角圖像重構結果；

對深度學習網絡架構訓練時，將延遲疊加DAS對全視角數據得到的全視角重構結果以及在重構過程中的四分之三視角的延遲數據作為深度學習網絡的訓練標簽，將重構過程中的剩余四分之一視角的延遲數據x作為輸入；

深度學習網絡架構包括子網絡一及子網絡二，則：

四分之一視角的延遲數據x輸入子網絡一后，先由編碼器對延遲數據x進行處理獲得編碼特征，編碼特征通過空間校正去除模塊后再通過解碼器得到輸出G(x)，由延遲數據x所對應的另外四分之三視角的延遲數據作為G(x)的監督，并用獨立的響應損失函數及疊加損失函數來訓練G(x)的結果，其中：

響應損失函數如下式(3)所示：

式(3)中，N_l表示延遲數據的通道數；M_l表示第l個通道的尺度；G表示延遲數據x所對應的另外四分之三視角的延遲數據的格拉姆矩陣，表示第l個通道上的格拉姆矩陣G的第i行第j列元素；A表示產生的延遲數據G(x)的格拉姆矩陣，表示第l個通道上的格拉姆矩陣A的第i行第j列元素；

疊加損失函數如下式(4)所示：

式(4)中，O表示延遲數據x所對應的另外四分之三視角的延遲數據的疊加矩陣，疊加矩陣O是一個具有N_l×N_l×M_l尺寸的三維矩陣，表示第l個通道對應的疊加矩陣O的某一個元素，n∈[1,N_l]，n'∈[1,N_l]，m∈[1,M_l]；P表示生成的延遲數據G(x)的疊加矩陣，表示第l個通道對應的疊加矩陣P的某一個元素；

G(x)在各個通道上做疊加后與在各個通道上做疊加后的延遲數據x進行相加得到F(x)，將在各個通道上做疊加后的延遲數據x定義為x'，則有F(x)＝∑G(x)+x'；

子網絡二為幾個殘差全局信息提取模塊組成的CNN網絡，則子網絡二的輸入為x'，子網絡二的輸出為圖像域增強的重構結果y₀，使用全視角重構結果作為監督，則有：

式(5)中，y表示給定的全視角重構結果；

子網絡二的輸出y₀和子網絡一的輸出F(x)相加后得到將通過一個卷積層，得到訓練時對使用給定的全視角重構結果y進行約束，約束函數如下式(6)所示：

則深度學習網絡架構的損失函數如下式(7)所示：

L(Θ)＝λ_reL_response+λ_ovL_overlay+λ_texL_texture+λ_recL_rec???????(7)

式(7)中，L(Θ)表示偏差，λ_re、λ_ov、λ_tex、λ_rec是超參數；

經過訓練后，對G(x)或F(x)的結果進行處理，將實時獲得的有限視角數據輸入深度學習網絡架構后得到去偽影的重構結果。

2.如權利要求1所述的一種用于光聲成像有限視角補償和去偽影的圖像重構方法，其特征在于，所述空間校正去除模塊對輸入的所述編碼特征用不同池化后展開，并對相同坐標的特征進行連接后重組成預設大小的特征。

3.如權利要求1所述的一種用于光聲成像有限視角補償和去偽影的圖像重構方法，其特征在于，采用下式(8)計算得到：

式(8)中，表示第l通道的延遲數據x所對應的另外四分之三視角的延遲數據的第i行第k列的元素，表示第l通道的延遲數據x所對應的另外四分之三視角的延遲數據的第j行第k列的元素。

4.如權利要求1所述的一種用于光聲成像有限視角補償和去偽影的圖像重構方法，其特征在于，采用下式(9)計算得到：

式(9)中，表示疊加矩陣O在第l個通道上第n個傳感數據展開的第m個向量，表示疊加矩陣O在第l個通道上第n'個傳感數據展開的第m個向量。