[发明专利]基于深度学习的医学图像重构系统、方法、终端、及介质

说明书

本申请提供基于深度学习的医学图像重构系统、方法、终端、及介质，所述系统包括：第一神经网络模块，其以原始光声信号经初步重构处理后所得的近似医学图像信号作为输入信号；第二神经网络模块，其以原始光声信号作为输入信号；第三神经网络模块，其以所述第一神经网络模块及第二神经网络模块的输出信号作为输入信号，据以输出图像质量优于所述近似医学图像的医学图像。本申请提供将深度学习与传统成像相结合的快速而高质量的重构框架(Y‑net)，所提算法在性能上优于现有的基于深度学习的前处理或后处理重构算法，不仅算法速度快，能够满足实时成像，还能获得图像质量更优的医学图像。

技术领域

本申请涉及图像处理技术领域，特别是涉及基于深度学习的医学图像重构系统、方法、终端、及介质。

背景技术

光声成像(Photoacoustic Imaging，PAI)是一种非入侵式和非电离式的新型生物医学成像技术。当脉冲激光照射到(热声成像则特指用无线电频率的脉冲激光进行照射)生物组织中时，组织的光吸收域将产生超声信号，这种由光激发产生的超声信号为光声信号。生物组织产生的光声信号携带了组织的光吸收特征信息，通过探测光声信号能重建出组织中的光吸收分布图像。光声成像技术在保持超声成像的高穿透深度的优点的同时还具备比超声成像更高的空间分辨率和光学对比度。

目前的光声成像系统根据系统配置和应用领域大致分为三类：PACT(光声计算机断层扫描)、PAM(光声显微成像)和PAE(光声内窥成像)。现有研究包括许多具有临床意义的应用，如早期的肿瘤检测和小动物的全身成像。光声计算机断层扫描因其具有快速的成像速度而在预临床领域得到快速的发展，其快速成像也依赖于高速的重构算法。

但是，现有技术中，解决上述问题的方法通常有迭代方法和非迭代方法。其中，迭代方法消耗的时间长，无法应用于实时成像，而非迭代方法的求解速度虽快，能满足实时成像的需求，但求解到的仅仅是近似解。

鉴于上述种种问题，本领域亟需一种求解速度快且求解结果精准的图像重构解决方案。

申请内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供基于深度学习的医学图像重构系统、方法、终端、及介质，用于解决现有技术中的问题。

为实现上述目的及其他相关目的，本申请的第一方面提供一种基于深度学习的医学图像重构系统，其包括：第一神经网络模块，其以原始光声信号经初步重构处理后所得的近似医学图像信号作为输入信号；第二神经网络模块，其以原始光声信号作为输入信号；第三神经网络模块，其以所述第一神经网络模块及第二神经网络模块的输出信号作为输入信号，据以输出图像质量优于所述近似医学图像的医学图像。

于本申请的第一方面的一些实施例中，所述第一神经网络模块包括多层神经网络；其中，多层神经网络中的底层神经网络包括多层卷积层，其它层包括卷积层、池化层以及激活函数层。

于本申请的第一方面的一些实施例中，所述第一神经网络模块的底层神经网络包括尺寸为3x3的卷积层；所述第一神经网络模块的其它层均包括尺寸为3x3的卷积核的卷积层、最大池化层、以及以ReLU函数作为激活函数的激活函数层。

于本申请的第一方面的一些实施例中，所述第二神经网络模块包括多层神经网络；其中，多层神经网络中的底层神经网络包括多层卷积层，其它层包括卷积层、池化层以及激活函数层。

于本申请的第一方面的一些实施例中，所述第二神经网络模块的底层神经网络包括尺寸为3x3的卷积层以及尺寸为20x3的卷积层；所述第二神经网络模块的其它层均包括尺寸为3x3的卷积核的卷积层、最大池化层、以及以ReLU函数作为激活函数的激活函数层。

于本申请的第一方面的一些实施例中，所述系统还包括：偏差计算模块，用于通过梯度下降算法迭代计算所述第三神经网络模块的输出值与真实值之间的偏差，直至所述医学图像重构系统趋于收敛。