[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

说明书

本发明公开了一种基于卷积神经网络的近红外光谱断层成像重建方法，属于医学图像处理领域。采用卷积神经网络表达近红外光谱断层成像目标的边界测量值与内部光学参数分布的非线性映射关系，通过网络训练可从测量值得到吸收系数分布图像，实现传感器域到图像域的直接重建。本方法可在保证光学参数分布准确重建的情况下具有较高的计算效率。

技术领域

本发明属于医学图像处理领域，涉及一种基于卷积神经网络的近红外光谱断层成像重建方法。

背景技术

近红外光谱(Near-infrared spectroscopy，NIRS)断层成像是一种新兴的功能性医学成像方式，其成像装置放置在生物组织周围或表面，无需借助外源性探针，不会对组织体造成损伤，另外成像所采用的近红外光波对人体组织无伤害，因此该技术具有无损伤性；近红外光成像能够有效的进行生物组织结构和功能成像，可以研究生物组织的形态结构，生理特征，病理特征，代谢功能等，特别适合于表征乳腺癌等软组织病变以及进行癌症的早期检测，除此之外，该技术还具有便携性以及低成本的优点，因此受到了学界的广泛关注并成功应用于各种类型的血氧检测，如脑功能成像、新生儿大脑监测、骨关节成像以及乳腺癌检测等。

该技术的基本原理为：使用600nm到950nm的近红外光波照射组织体，并利用光敏元件测量组织体表面的光强或者时间分辨率等信号，以此来重建组织内与结构或生理活动相关的光学参数的分布情况。该技术的理论依据是组织中不同物质对光的具有不同的散射和吸收特性，因此组织的光学参数(如吸收系数、散射系数)也会随之发生变化，光学参数与生物组织不同生理状态相关，利用上述特性，可将近红外光谱断层成像重建的光学参数用于医疗诊断项目中。

在实际重建中，光在传输过程中会有一部分被组织吸收。在近红外光成像的波段内，光的散射远大于吸收，并且边界测量数据中不可避免地会混有噪声，导致断层成像具有严重的病态性。另外由于测量的次数有限，导致重建组织内部光学参数问题是一个不适定的问题。扩散光在组织内可能历经多次散射和吸收，又加之光在生物组织中的穿透深度不大，因此光敏元件对出射光的探测能力也不高，这导致重建结果的空间分辨率远小于其他的成像模态。

为了解决重建的不适定性和病态性，目前常使用正则化的求解方法将近红外光图像重建问题转变成一个非线性的最优化问题。然而传统正则化方法容易受到噪声的影响产生伪影，成像重建时间也比较长，因此本发明考虑利用卷积神经网络来进行近红外光谱图像重建。

卷积神经网络(Convolutional Neural Networks，CNN)是深度学习的代表算法之一，随着深度学习理论和计算设备的发展，卷积神经网络也逐渐兴起。卷积神经网络是一类包含卷积计算的前馈神经网络，最早提出于1987年，是传统人工神经网络的一种改进。相比传统的全连接网络来说，它具有局部感受野并共享卷积核，大大减少了可训练的参数，提高训练效率；可以对高维数据进行处理并自动提取全局以及局部特征形成多特征图，因此卷积神经网络以其独特的优势被广泛应用于计算机视觉、自然语言处理等各个领域。

发明内容

近红外光谱断层成像的目的是利用近红外光照射生物组织，并采用数个光敏原件测量组织边界的散射光，通过边界散射光计算生物组织内部的光学参数(吸收系数、散射系数等)分布。

为实现上述目的，本发明采用的技术方案为一种基于卷积神经网络的近红外光谱断层成像重建方法，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。

为了准确描述测量值与光学参数之间的关系以便训练网络，采用光在组织中的扩散近似方程描述光的传播，其形式为：

其中，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。