基于空洞卷积网络的电阻抗图像重建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109859285A(43)申请公布日2019.06.07(21)申请号201910074577.X(22)申请日2019.01.25(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人任尚杰孙凯董峰(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人程毓英(51)Int.Cl.G06T11/00(2006.01)A61B5/053(2006.01)权利要求书2页说明书6页附图3页(54)发明名称基于空洞卷积网络的电阻抗图像重建方法(57)摘要本发明涉及一种基于空洞卷积网络的电阻抗图像重建方法，包括下列步骤：从已有的人体胸腔影像图像集中提取待测肺部形状和胸腔轮廓形状，得到肺部和胸腔的二值图像；根据二值图像建立相应的包括传感器模型和待测内含物在内的EIT仿真模型，胸腔轮廓形状用于建立传感器模型，肺部形状用于建立一定电导率的内含物；考虑模型误差，在EIT仿真模型基础上进行数据增强；求解上一步骤处理后的仿真模型正问题，得到图像重建所需的边界测量电压，建立CNN模型，测量电压和胸腔二值图像作为CNN模型的输入，以待测肺部图像作为CNN模型的输出。CN109859285ACN109859285A权利要求书1/2页1.一种基于空洞卷积网络的电阻抗图像重建方法，包括下列步骤：步骤一：从已有的人体胸腔影像图像集中提取待测肺部形状和胸腔轮廓形状，得到肺部和胸腔的二值图像；步骤二：根据二值图像建立相应的包括传感器模型和待测内含物在内的EIT仿真模型，胸腔轮廓形状用于建立传感器模型，肺部形状用于建立一定电导率的内含物；步骤三：考虑模型误差，在EIT仿真模型基础上进行数据增强，操作步骤如下：[1]传感器模型中的每个电极会发生一定的随机移动，以此来模拟实际贴电极时的位置偏差；[2]对每一组仿真电压随机加入一定的高斯噪声，以此模拟实际测量系统的噪声；[3]仿真模型中的肺部内含物会根据实际测量中待测对象可能出现的情况作相应的变化，得到经过数据增强后的待测肺部图像；步骤四：求解上一步骤处理后的仿真模型正问题，得到图像重建所需的边界测量电压，建立CNN模型，测量电压和胸腔二值图像作为CNN模型的输入，上一步骤中[3]处理后的待测肺部图像作为CNN模型的输出；CNN模型主要包括两部分：可学习预重建器，用来得到一个预重建结果，实现输入数据从传感器信号域到图像域的转换；图像后处理网络，接受预重建器的输出图像，还输入胸腔轮廓图像来指导减小模型误差；所构造的可学习预重建器表达式为式中J为传统EIT重建方法中的灵敏度矩阵，是一个常量，b为输入的边界测量电压，y为输出的预重建图像，R为一个可学习的对角矩阵，即式中v＝[v1v2…vn]，为预重建器中需要学习的向量，tanh为双曲正切函数；令u＝(JTJ+RTR)-1JTb，相应地，在训练过充中该预重建器的误差传递公式为式中，⊙表示两向量逐元素相乘，L为模型训练的损失函数，为训练时反向传递到预重建器的梯度值，以梯度下降法更新参数v；图像后处理网络以残差单元为基本组成单元，每个残差单元的前向通道中包含有若干个卷积层，卷积层后串结批归一化层，在这些卷积层中，核心的卷积层为空洞卷积，它通过在卷积核内补零，用较少的参数构建尺寸更大的卷积核，以此达到扩大感受野的目的；由残差单元组成残差块，残差块连接构成完整的图像后处理网络；2CN109859285A权利要求书2/2页CNN模型接受测量电压和胸腔轮廓二值图像两个输入，测量电压输入预重建器得到的输出图像与胸腔轮廓二值图像拼接后输入到后处理网络中，网络前半部分由串联的残差块构成，图像经残差块处理后可以将尺寸减小一半，得到不同尺寸的处理图像；网络后半部分接受不同尺寸的图像，所有图像经残差块处理后，将小尺寸图像经反卷积层上采样后与大尺寸图像相加，然后经残差块处理后输出，以实现不同尺度的图像特征的融合。3CN109859285A说明书1/6页基于空洞卷积网络的电阻抗图像重建方法技术领域[0001]本发明属于电阻抗层析成像技术领域，涉及构建网络训练数据集以及基于空洞残差网络的电阻抗成像网络。背景技术[0002]电阻抗层析成像(ElectricalImpedanceTomography简称EIT)是一种非侵入式的成像技术，它通过场域的边界测量值重建出场域内部的电导率分布。相比其它成像技术如计算机断层扫描(ComputedTomography,简称CT)和核磁共振成像(MagneticResonanceImaging简称MRI)，EIT有着无辐射、结构简单、速度快等优点，在医学临床监测、多相流流型监测以及地址勘探等领域有着广阔的发展前景。[0003]然而，由于EIT固有的“软场”特性，其