[发明专利]基于深度神经网络的定量光声成像方法

说明书

本发明涉及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；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。本发明提出用于定量光声成像的深度神经网络，即ResU‑net，ResU‑net使用了残差学习机制，使得网络容易优化，并且可以达到相当的深度，以获得较高的准确率，进一步，本发明深度神经网络设置的收缩路径和扩张路径使得ResU‑net可以从输入的多波长初始声压图像中提取全面的各个分辨率层面的环境信息，并且最终输出高分辨率的定量图像。

技术领域

本发明涉及一种光声成像方法，特别是涉及一种基于深度神经网络的定量光声成像方法。

背景技术

光声(photoacoustic,PA)成像可以实现较好的空间分辨率和良好的特异性。定量光声成像(quantitative PA imaging，QPAI)可以将多光谱PA图像转换成一系列精准图像：例如用于分子成像的特定分子标志物的浓度图像、用于评估肿瘤生长、新陈代谢以及对各种治疗的抵抗力的血氧饱和度图等。

传统的QPAI方法无视波长对光通量的影响，并且使用线性拟合来估计SO₂(即线性解混，linear unmixing)会带来严重误差。大多数的光通量矫正方法依赖于很强的假设，比如光学性质具有分段常数特性、要预先知道散射参数、要求背景光学参数均匀(并且已知)等，或者对大型高分辨率图像的重建计算量太大。扩散光学断层成像可以帮助估计光通量，代价是失去高空间分辨率的成分。

发明内容

针对上述问题，本发明的目的是提供一种能够输出高分辨率定量图像的基于深度神经网络的定量光声成像方法。

为实现上述目的，本发明采取以下技术方案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；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。

进一步地，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，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；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、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。

进一步地，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。