[發明專利]一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法

有效

• 申請號: 202011533818.1
• 申請日: 2020-12-21
• 公開（公告）號: CN112674794B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 屈曉磊
• 申請（專利權）人: 蘇州二向箔科技有限公司
• 主分類號: A61B8/00
• 分類號: A61B8/00
• 代理公司: 北京科家知識產權代理事務所(普通合伙) 11427
• 代理人: 宮建華

1.一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，包括以下步驟：

S1：分別在純水介質時和有目標介質時的環形超聲CT中獲取各超聲換能器接收到的原始數據，并獲取各超聲換能器接收信號的最早到達時間，繪制渡越時間差異圖；

S2：利用深度學習方法來擬合聲波折射影響帶來的非線性映射，以折射矯正的方式將S1中繪制所得的帶有折射影響的渡越時間差異圖矯正為對應的無折射影響的渡越時間差異圖；

S3：利用直線假設下的吉洪諾夫正則化反演方法對S2中所得的無折射影響的渡越時間差異圖進行重構，得到聲速圖像。

2.根據權利要求1所述的一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，所述S2中采用深度神經網絡來對有折射影響的渡越時間差異圖進行折射矯正，將其矯正為無折射的渡越時間差異圖，使其更適合于無折射假設下的吉洪諾夫正則化反演方法；

所述深度神經網絡采用U-net網絡。

3.根據權利要求2所述的一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，所述U-net的網絡結構包括三個部分：

a1，多次卷積和池化；

a2，與a1相對應層次的多次反卷積和上采樣；

a3，不同層次上的特征拼接，將不同尺度的特征信息進行融合，讓網絡能夠同時利用到輸入圖像的細節特征以及較大尺度特征。

4.根據權利要求1所述的一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，所述S2中采用了兩種訓練集制作方式，方式一為利用仿真數據來制作訓練集，方式二為利用真實實驗數據并結合全波方程反演的方法來制作訓練集。

5.根據權利要求4所述的一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，所述方式一具體步驟如下：

b1，制作用于真值參考的聲速分布，包括簡單幾何形狀的疊加以及核磁共振圖像劃分的聲速區域；

b2，利用波動方程對制作的聲速分布進行前向建模，獲取仿真超聲數據；

b3，提取出仿真信號的最早到達時間，繪制渡越時間差異圖，作為訓練集的輸入部分；

b4，根據各換能器之間的直線路徑制作前向傳播矩陣，利用前向傳播矩陣將制作的聲速分布轉換成無折射影響時的渡越時間差異圖，作為訓練集輸出部分。

6.根據權利要求4所述的一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，所述方式二的具體步驟如下：

c1，利用環形超聲CT裝置采集真實實驗數據，提取出真實實驗信號的最早到達時間，繪制渡越時間差異圖，作為訓練集的輸入部分；

c2，利用全波方程反演的方法對采得的實驗信號進行重構，得到高分辨率的聲速重構圖像，將該圖像作為聲速分布的參考真值；

c3，根據各換能器之間的直線路徑制作前向傳播矩陣，利用前向傳播矩陣將全波方程反演所得的聲速分布轉換成無折射影響時的渡越時間差異圖，作為訓練集的標簽。

7.根據權利要求5或6所述的一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，所述提取信號的最早到達時間的方法采用AIC方法。

8.根據權利要求1所述的一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，所述S2步驟中的網絡訓練過程如下：

d1，將制作好的訓練集輸入到深度神經網絡中，對所述深度神經網絡進行訓練；

d2，利用反向傳播不斷調整深度神經網絡的權重，更新所述深度神經網絡的結構參數，得到具有最優全局參數矩陣的深度神經網絡。

9.根據權利要求1所述的一種結合深度學習與吉洪諾夫正則化反演的超聲CT聲速重建方法，其特征在于，采用吉洪諾夫正則化反演的方式來對折射矯正后的渡越時間差異圖進行重建，所述S3步驟具體如下：

e1，將待測區域離散化為一個M×M大小的矩陣；

e2，將所述e1中的矩陣轉化為一維向量S，大小為M²×1；

e3，將S2中得到的無折射影響的渡越時間差異圖轉換為一維向量大小為N²×1，N為環形超聲換能器的數量；

e4,利用最小二乘法獲取吉洪諾夫正則化反演矩陣，并將該矩陣與一維展開后的無折射影響的渡越時間差異圖相乘，獲取最終的重構圖像

在聲波傳播路徑為直線的假設下，重構近似滿足以下方程:

其中L為直線假設下的前向傳播矩陣大小為N²×M²，采用正則化的方式來求解，吉洪諾夫正則化方法的最小化下列方程：

其中α表示可調整的正則化參數，表示二范數，由最小二乘法可求得吉洪諾夫正則化反演矩陣，并將該矩陣與一維展開后的無折射影響的渡越時間差異圖相乘，獲取最終的重構圖像

其中I表示單位矩陣。