申请/专利权人:天津科技大学
申请日:2021-10-21
公开(公告)日:2022-01-07
公开(公告)号:CN113902825A
主分类号:G06T11/00(20060101)
分类号:G06T11/00(20060101);G06N3/04(20060101);G06N3/08(20060101)
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.01.25#实质审查的生效;2022.01.07#公开
摘要:本发明提供了一种基于VDD‑Net的肺部电阻抗成像方法,包括共轭梯度映预射模块、特征提取模块、深度图像重建模块和图像去噪模块。深度图像重建模块将测量得到的电压序列映射为场域空间分布信息,使得EIT病态问题转化为良态问题,然后通过多层卷积提取空间信息的抽象特征,并使用转置卷积运算重构肺部边界形状,重构得到的图像通过Dense连接低通滤波模块去除重构的高频噪声,得到最终的重建图像。VDD‑Net的训练数据使用包含了多种肺部边界信息的CT扫描图像,包含了肺部疾病、不同胸腔形状以及电极移动等噪声情况。经过肺部仿体模型实验,说明VDD‑Net在肺部EIT成像中对边界重建能力具有较高的准确性和对模型误差与测量噪声具有良好的鲁棒性。
主权项:1.一种基于VDD-Net的肺部电阻抗成像方法,其特征在于:包括如下步骤:第一歩:构建用于网络训练、验证与测试的数据库样本;第二步:构建VDD-Net深度网络模型,包括:1输入层:利用传感阵列测量得到的边界电压经过差分处理作为网络的输入,经过预测得到胸腔内部电导率分布作为网络的输出;2预重建模块:预重建模块采用CG算法拟合边界电压与电导率分布之间的非线性映射;3特征提取模块:包括多个卷积、批量归一化模块,不同特征提取模块之间的链接使用最大池化的方法对卷积-BN运算后的特征进行下采样;4深度重建模块:包含多个卷积、批量归一化模块以及转置卷积模块;5图像去噪模块:采用Dense连接的卷积去噪模块;第三步:设计损失函数;第四步:不断利用数据集训练模型,并用验证集和测试集测试网络模型的重建能力,得到适用于肺部图像重建的图像重建模型。
全文数据:
权利要求:
百度查询: 天津科技大学 基于VDD-Net的肺部电阻抗成像方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。