[发明专利]一种基于卷积神经网络的近红外光谱断层成像重建方法

权利要求书

1.一种基于卷积神经网络的近红外光谱断层成像重建方法，其特征在于：利用卷积神经网络表达目标边界的测量值与成像区域内部光学参数分布的非线性映射关系，省去迭代计算的过程，实现从传感器域到图像域的重建；

采用光在组织中的扩散近似方程描述光的传播，其形式为：

κ为散射系数；μ_a为吸收系数；Φ(r，t)表示光子密度分布；q₀(r，t)表示光源；t表示时间；r表示坐标位置向量；c表示光在组织中的传输速度；

由于近红外光谱断层成像假定光源为各项同性光源，即光源不随时间改变，因此忽略时间对扩散方程的影响，采用连续波模式下的扩散近似方程，其形式为：

其中，q₀(r)是各向同性的光源；Φ(r)是位置r处的光子密度分布；κ(r)为散射系数；μ_a(r)为吸收系数；

本方法采用的边界条件为Robin边界条件以表示边界内外介质折射率不一致时，光子在边界处反射的现象，Robin边界条件也称为指数失配的III型条件或混合边界条件；该边界条件表达光子在边界被反射回介质的部分等于介质内的光辐射总强度，以等式形式描述为：

其中，ξ是组织外边界上的点；是向外指向的法线；A_n取决于组织与空气之间的失配相对折射率(refractive index，RI)；这里，A_n的表达式为：

其中，Rn表示扩散传输内反射系数，n与边界内外光学折射系数偏差相关；

成像的前向过程为已知光学参数分布，结合有限元法并根据扩散近似方程求解出边界测量值Φ，将Φ作为卷积神经网络的输入，则光学参数分布图为卷积神经网络的输出。

2.根据权利要求1所述的一种基于卷积神经网络的近红外光谱断层成像重建方法，其特征在于：卷积神经网络分为两部分，前半部分为全连接层FC，目的是将一维的边界测量值扩展为具有足够形成二维矩阵即图像元素的数据；后半部分为卷积层C及反卷积层DC，用以提取数据中的高级特征；

设输入数据为两个全连接层FC1和FC2分别包含q²和n²个节点，则两个全连接层的输出y^FC1和y^FC2分别为：

其中和为全连接层权重，f1(·)和f2(·)为全连接层的激活函数，b^FC1和b^FC2为偏置，k和j分别表示两个全连接层的第几个节点；

为实现从传感器域到图像域的转换，在全连接层与卷积层的连接处，将全连接层的一维向量输出排列为二维矩阵形成初步的图像再进行卷积，则两个卷积层输出为：

y^C1＝f₃(Y*w^C1+b^C1) (7)

y^C2＝f₄(y^C1*w^C2+b^C2) (8)

其中w^C1和w^C2为卷积层权重，f₃(·)和f₄(·)为卷积层激活函数，b^C1和b^C2为偏置，*表示卷积计算；

最后经过转置卷积得到最终输出

其中表示转置卷积，w^DC、f₅(·)以及b^DC分别表示转置卷积层的权重、激活函数和偏置；

网络训练是以RMSprop算法为优化算法不断更新网络权重及偏置，直至模型误差满足要求或达到其他训练停止条件时停止训练；模型的输出即为光学吸收系数分布。