[發明專利]一種基于深度學習的擴散相關光譜血流量化方法

有效

• 申請號: 202011456434.4
• 申請日: 2020-12-11
• 公開（公告）號: CN112587118B
• 公開（公告）日: 2023-02-28
• 發明（設計）人: 李哲;姜敏楠;葛奇思;馮金超;賈克斌
• 申請（專利權）人: 北京工業大學
• 主分類號: A61B5/026
• 分類號: A61B5/026
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

1.一種基于深度學習的擴散相關光譜血流量化方法，其特征在于：

步驟(1)：數據采集；通過擴散相關光譜血流檢測系統分別采集健康志愿者在平穩狀態以及袖帶夾壓狀態條件下的光強自相關函數數據

g₂( τ ) ，利用傳統非線性擬合方法計算出不同狀態下組織血流變化，把這個值作為標簽；

步驟(2)：數據預處理；對于步驟(1)所獲得光強自相關數據，進行歸一化預處理后，將上述數據隨機分為訓練集和測試集兩組，其中訓練集數據將作為深度學習網絡的數據輸入；

步驟(3)：深度學習網絡構建；針對所采集的光強自相關數據特點，利用改進的Unet網絡模型來量化相對血流變化，根據所采集的數據，減少了Unet網絡的層數，使其更加貼合數據，得到更好的效果，實現輕量化；所構建的改進的Unet網絡結構包括對稱的兩部分，第一部分為卷積和池化下采樣；第二部分為卷積和上采樣，網絡的輸入是長度為64的g₂( τ )數據，先將其重塑為8×8矩陣，輸入到卷積層，進行兩次卷積，用于提取特征；后經過最大池化層，再進行卷積和上采樣操作，用于對提取特征進行恢復；最后通過一個全連接層輸出結果，從而產生血流指數(BFI)作為輸出，即通過深度學習方法直接建立從光強自相關函數到血流指數之間的端到端網絡，從而得到血流指數數據；

步驟(4)：網絡訓練與判斷；步驟(2)中訓練集樣本數據輸入步驟(3)所構建的Unet網絡中進行訓練，訓練完成后將測試集樣本數據輸入已訓練好的網絡模型中進行判斷，得到結果血流指數數據集，從而計算求得組織血流變化；

平穩狀態實驗的測量部位包括前額、手臂和手指；

袖帶夾壓實驗的測量部位為前臂；

所述的平穩狀態實驗即是測量被測試者在靜息狀態下組織血流相關參數變化；

所述的袖帶夾壓實驗分為三個階段，分別是平穩階段、動脈閉塞階段以及恢復階段。

2.根據權利要求1所述的一種基于深度學習的擴散相關光譜血流量化方法，其特征在于，

網絡訓練時，當傳統非線性擬合方法計算出的血流指數和Unet網絡預測得到的血流指數的均方誤差達到最小值時，訓練結束。

3.根據權利要求1所述的一種基于深度學習的擴散相關光譜血流量化方法，其特征在于所述的擴散相關光譜血流檢測系統包括系統光源、光源光纖、測量探頭、探測光纖、單光子計數器、軟件相關器、以及上位機，其系統光源采用波長為785nm的半導體連續波激光器，激光功率大于50mW，相干長度大于10m，經由光源光纖與測量探頭相連放置在待測組織表面；探測光纖放置在距光源光纖10mm處；檢測到的光信號經由探測光纖進入單光子計數器；單光子計數器將數據送入上位機，實現系統控制和數據的采集、處理與顯示。

4.根據權利要求3所述的一種基于深度學習的擴散相關光譜血流量化方法，其特征在于，所述的光源光纖為多模光纖，芯徑為50μm、62.5μm、100μm或以上。

5.根據權利要求3所述的一種基于深度學習的擴散相關光譜血流量化方法，其特征在于，所述的探測光纖為單模光纖，芯徑為5μm或9μm。

6.根據權利要求3所述的一種基于深度學習的擴散相關光譜血流量化方法，其特征在于，所述的上位機包括軟件相關器，軟件相關器用于將單光子計數器輸入的電脈沖信號進行計數和自相關運算。

7.根據權利要求3所述的一種基于深度學習的擴散相關光譜血流量化方法，其特征在于，所述的光強自相關函數g₂( τ ) 計算公式為：

式中，I(t)代表t時刻探測的光強，τ為延遲時間， 代表時間上取平均，t和τ是在單光子計數器中進行的。