[发明专利]基于深度神经网络的定量光声成像方法

权利要求书

1.一种基于深度神经网络的定量光声成像方法，其特征在于包括以下内容：

构建深度神经网络框架，即ResU-net，其中，深度神经网络框架的子结构包括输入子结构、层子结构、收缩子结构、扩张子结构和输出子结构；

采用不同波长下的输入初始声压图像和相应的定量图像训练ResU-net；

对多波长的初始声压图像采用训练后的ResU-net进行定量光声成像，输出定量图像，具体过程为：

输入子结构将输入的多波长的初始声压图像通过输入残差学习子结构进行残差学习，在输入子结构中，主连接中的第一个卷积层会改变张量的通道数，将输入初始声压的波长数目改为32，而在捷径连接中，添加了一个卷积核1×1的卷积层进行相同的通道数目变换，即通过输入子结构将初始图像的通道数目设置为32，具体为：

经过输入子结构将多张大小为128×128的图像输出为32张大小为128×128的图像，输入子结构将32张图像输入到顶层层子结构中微调提取特征，顶层层子结构将输出32张图片大小为128×128的图像输出到顶层的扩张子结构和第二层的收缩子结构；

收缩路径对图像从顶层到底层依次进行收缩，每一收缩子结构通过收缩残差学习子结构分别对图像分别进行处理，在主连接中图像会先经过最大池化层，图像尺寸减小一半，然后第一个卷积层使得通道数目翻倍，在捷径连接中，一个卷积核1×1的卷积层用来使得通道数目翻倍、图像尺寸减半，收缩子结构将处理后的图像发送到相应层的收缩层子结构微调提取特征，第二层的收缩层子结构相应输出通道数目为64，图片大小为64×64的图像到相应层的扩张子结构以及下一层的收缩子结构，依次类推，底层的收缩子结构输出通道数目为512，图片大小为8×8的图像；

扩张路径对图像从底层到顶层依次进行扩张，每一扩张子结构通过扩张残差学习子结构分别对图像分别进行扩张，在主连接中，扩张路径中低一层的输出图像会先被增采成两倍，然后第一个卷积层会让通道数目减半；在第二个卷积层之前，图像会先和收缩路径输出的图像处理后级联，通道数目会再次倍增；经过第二个卷积层后，通道数目会减半恢复；在捷径连接当中，扩张路径低一层的输出会被增采，然后通过一个卷积核为1×1的卷积层，通道数目压缩一半；底层层子结构对底层的收缩子结构输出的通道数目为512，大小为8×8的图像微调提取特征输出到上一层的扩张子结构，扩张子结构将图像增采成两倍大小并将通道数目减半后与收缩路径输出的图像级联处理得到大小为16×16，通道数目为256的图像输出到扩张层子结构微调重建图像并输出到上一层的扩张子结构，依次类推，顶层的扩张子结构将顶层层子结构输出的图像和第2层的扩张层子结构输出的图像进行处理得到图片大小为128×128，通道数目为32的图像；

输出子结构用于通过输出残差学习子结构对顶层扩张子结构输出的图像进行残差学习，主连接中的第三个卷积层把通道数目从32改为1，使用1×1的卷积核，一个具有同样功能的卷积层也添加到捷径连接当中，输出子结构输出一张图片大小为128×128的定量图像。

2.如权利要求1所述的基于深度神经网络的定量光声成像方法，其特征在于，构建深度神经网络框架的具体过程为：

1)构建深度神经网络框架的子结构；

2)基于深度神经网络框架的子结构进行层级结构的逐层构建，获得深度神经网络框架，具体过程为：

层级结构的顶层层级结构依次包括输入子结构、顶层层子结构、扩张子结构和输出子结构；层级结构的第2层到第4层结构相同，均依次包括收缩子结构、收缩层子结构、扩张子结构和扩张层子结构；层级结构的底层层级结构依次包括收缩子结构和底层层子结构；其中，输入子结构、顶层层子结构、收缩子结构以及收缩层子结构构成收缩路径，底层层子结构、扩张子结构以及扩张层子结构以及输出子结构构成扩张路径；

输入子结构的输出作为顶层层子结构的输入，顶层层子结构的输出作为本层扩张子结构以及下一层收缩子结构的输入，顶层层级结构的扩张子结构的输出作为输出子结构的输入；第2层到第4层中的收缩子结构的输出对应各层收缩层子结构的输入，收缩层子结构的输出作为相应层的扩张子结构的输入以及下一层收缩子结构的输入；第2层到第4层中扩张子结构的输出对应各层扩张层子结构的输入，底层的收缩子结构的输出作为相应层的底层层子结构的输入，底层层子结构的输出作为上一层扩张子结构的输入，依次类推，直到第二层的扩张层子结构输出作为顶层的扩张子结构的输入。

3.如权利要求2所述的基于深度神经网络的定量光声成像方法，其特征在于，每一子结构均通过相应残差学习子结构对输入图像进行残差学习，残差学习子结构用于对图像进行残差学习，残差学习子结构包括主连接和捷径连接。