[发明专利]一种用于重建EPAT图像的深度学习方法及系统

权利要求书

1.一种用于重建EPAT图像的深度学习方法，其特征在于，所述方法包括：

构造用于有限角度光声内窥层析成像EPAT图像重建的深度学习数据集；所述数据集包括：训练集、验证集和测试集；

建立前向传播的卷积神经网络模型；

基于所述训练集、验证集和测试集对所述卷积神经网络模型中的网络参数进行逐层训练、验证和优化，得到优化后的卷积神经网络模型；

将所述测试集输入至所述优化后的卷积神经网络模型中得到光吸收能量分布图像；

所述构造用于有限角度光声内窥层析成像EPAT图像重建的深度学习数据集具体包括：

建立腔体横截面积的仿真模型；

对所述腔体横截面积的仿真模型中成像导管在每个测量角度从横截面中心沿径向发射激光脉冲照射周围组织，以及光子在组织中传播的过程进行数值仿真，得到仿真结果；

根据所述仿真结果通过求解扩散近似方程得到腔体横截面上各处的光吸收能量密度，进而得到光吸收能量分布图；

通过求解光声波动方程，得到组织中产生的光声信号；

将仿真得到的所述光声信号作为数据集中样本的输入，将仿真得到的所述光吸收能量分布图作为样本的期望输出，得到适用于有限角度EPAT图像重建的深度学习数据集；

将所述深度学习数据集中的所有样本随机打乱，按照比例划分为训练集、验证集和测试集；

将所述训练集A中的样本平均分为N组，每组为一个小批量训练集，包含M个样本；

所述卷积神经网络模型，其中，卷积操作采用的滤波核尺寸为5×5×T，T为当前层输入的特征图数量，卷积方式采用步长为1的same卷积，网络单元的两个输入图像的滤波核初始数量均为channels＝16，激活函数采用线性整流函数ReLU，通过远跳连接将网络单元的初始输入与输出图像进行像素值求和，得到当前层的输出图像；

所述建立前向传播的卷积神经网络模型具体包括：

步骤1：确定卷积神经网络结构和参数；

步骤2：初始化卷积神经网络参数；

步骤3：计算卷积神经网络中第k层网络结构单元的输入；

H为EPAT成像的前向算子，即由光吸收能量得到组织产生的光声信号；H^*是H的伴随算子；是数据拟合信息；yⁱ是数据集中第i个样本的光声信号；是数据集中第i个样本经过第k次迭代后输出的光吸收能量分布图；i是训练集中的样本序号；

步骤4：令卷积次数covn＝0，特征通道数channels＝16；

步骤5：将训练集中N组中的第1组的M个样本输入CNN，作为特征图map_c，即输入图像经第c-1次卷积后产生的特征图层；

步骤6：对map_c通过多个特征通道并行地执行卷积操作，产生多组线性激活响应，计算线性激活响应对应的ReLU函数值，得到卷积操作的特征图层；

步骤7：令c＝c+1，covn＝covn+1，channels＝channels+2；

步骤8：执行所述步骤6，之后转步骤9；

步骤9：令c＝c+1，covn＝covn+1，map_c＝map_c1+map_c2，其中map_c1是经过covn次卷积后的特征图，map_c2是经过covn次卷积后的特征图；为第k次迭代输出的光吸收能量分布图像，为数据拟合信息；

步骤10：令channels＝channels/2，即，使特征图层数量减半；

步骤11：执行所述步骤6，之后转步骤12；

步骤12：令c＝c+1，covn＝covn+1，channels＝1；

步骤13：执行所述步骤6，之后转步骤14；

步骤14：令c＝c+1，covn＝covn+1，之后利用ReLU函数计算线性激活响应对应的函数值，得到卷积操作的特征图层；

步骤15：令k＝k+1，如果k＜5，转步骤16，否则返回步骤3；

步骤16：输出训练集中N组中的第1组中M个样本的预测图像，此时，c＝21。