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。