申请/专利权人：北京工业大学

申请日：2021-03-09

公开（公告）日：2024-03-29

公开（公告）号：CN113284204B

主分类号：G06T11/00

分类号：G06T11/00;A61B5/00;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.09.07#实质审查的生效;2021.08.20#公开

摘要：本发明公开了一种基于模型的深度学习扩散光学层析成像方法，属于医学图像处理领域。提出将卷积神经网络CNN构建正则化算子，并结合光传输模型直接重建生物组织的光学特性参数分布。实现从数据域到图像域的直接重建。

主权项：1.一种基于模型的深度学习扩散光学层析成像重建方法，其特征在于：基于卷积神经网络CNN构建正则化算子，并结合光传输模型直接重建生物组织的光学特性参数分布；基于光传输模型和正则化理论，将扩散光学层析成像图像重建问题变为求解下面的最优化问题： 其中，Ωμ关于待求解的光学特性参数μ的代价函数，φM是测量的真实光强值，φC是计算光传输模型得到的光强值，μ是未知的光学特性参数，λ是正则化参数，其值通过网络训练学习得到，Dwμ是卷积神经网络；为优化求解公式1，求Ωμ关于光学特性参数μ的一阶导数，并置于零，得到： 其中，Ωμ关于μ的代价函数，J是雅克比矩阵，其值为δφ＝φM-φCμ是测量的光强值和计算光传输模型得到的光强值之差，T为矩阵的转置；φCμ用第i次迭代重建的μi来近似，并利用泰勒公式将φCμi展开，并忽略高阶项，得到公式3φCμi＝φCμi-1+Ji-1Δμi3其中，Ji是第i次迭代的雅克比矩阵，Δμi＝μi-μi-1是第i次迭代重建的光学参数与i-1次迭代重建的光学参数之差；联立公式2和3，得到公式4 将公式4整理后得到公式5 其中，I是单位矩阵，δφi是第i次计算的光传输模型得到的光强值φi与测量的光强值φM之差；基于公式5，第i次迭代重建的光学参数μi为：μi＝μi-1+Δμi6。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于模型的深度学习扩散光学层析成像方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD