[发明专利]一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法

权利要求书

1.一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，包括以下步骤：

S1：分别在纯水介质时和有目标介质时的环形超声CT中获取各超声换能器接收到的原始数据，并获取各超声换能器接收信号的最早到达时间，绘制渡越时间差异图；

S2：利用深度学习方法来拟合声波折射影响带来的非线性映射，以折射矫正的方式将S1中绘制所得的带有折射影响的渡越时间差异图矫正为对应的无折射影响的渡越时间差异图；

S3：利用直线假设下的吉洪诺夫正则化反演方法对S2中所得的无折射影响的渡越时间差异图进行重构，得到声速图像。

2.根据权利要求1所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述S2中采用深度神经网络来对有折射影响的渡越时间差异图进行折射矫正，将其矫正为无折射的渡越时间差异图，使其更适合于无折射假设下的吉洪诺夫正则化反演方法；

所述深度神经网络采用U-net网络。

3.根据权利要求2所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述U-net的网络结构包括三个部分：

a1，多次卷积和池化；

a2，与a1相对应层次的多次反卷积和上采样；

a3，不同层次上的特征拼接，将不同尺度的特征信息进行融合，让网络能够同时利用到输入图像的细节特征以及较大尺度特征。

4.根据权利要求1所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述S2中采用了两种训练集制作方式，方式一为利用仿真数据来制作训练集，方式二为利用真实实验数据并结合全波方程反演的方法来制作训练集。

5.根据权利要求4所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述方式一具体步骤如下：

b1，制作用于真值参考的声速分布，包括简单几何形状的叠加以及核磁共振图像划分的声速区域；

b2，利用波动方程对制作的声速分布进行前向建模，获取仿真超声数据；

b3，提取出仿真信号的最早到达时间，绘制渡越时间差异图，作为训练集的输入部分；

b4，根据各换能器之间的直线路径制作前向传播矩阵，利用前向传播矩阵将制作的声速分布转换成无折射影响时的渡越时间差异图，作为训练集输出部分。

6.根据权利要求4所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述方式二的具体步骤如下：

c1，利用环形超声CT装置采集真实实验数据，提取出真实实验信号的最早到达时间，绘制渡越时间差异图，作为训练集的输入部分；

c2，利用全波方程反演的方法对采得的实验信号进行重构，得到高分辨率的声速重构图像，将该图像作为声速分布的参考真值；

c3，根据各换能器之间的直线路径制作前向传播矩阵，利用前向传播矩阵将全波方程反演所得的声速分布转换成无折射影响时的渡越时间差异图，作为训练集的标签。

7.根据权利要求5或6所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述提取信号的最早到达时间的方法采用AIC方法。

8.根据权利要求1所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，所述S2步骤中的网络训练过程如下：

d1，将制作好的训练集输入到深度神经网络中，对所述深度神经网络进行训练；

d2，利用反向传播不断调整深度神经网络的权重，更新所述深度神经网络的结构参数，得到具有最优全局参数矩阵的深度神经网络。

9.根据权利要求1所述的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，其特征在于，采用吉洪诺夫正则化反演的方式来对折射矫正后的渡越时间差异图进行重建，所述S3步骤具体如下：

e1，将待测区域离散化为一个M×M大小的矩阵；

e2，将所述e1中的矩阵转化为一维向量S，大小为M²×1；

e3，将S2中得到的无折射影响的渡越时间差异图转换为一维向量大小为N²×1，N为环形超声换能器的数量；

e4,利用最小二乘法获取吉洪诺夫正则化反演矩阵，并将该矩阵与一维展开后的无折射影响的渡越时间差异图相乘，获取最终的重构图像

在声波传播路径为直线的假设下，重构近似满足以下方程:

其中L为直线假设下的前向传播矩阵大小为N²×M²，采用正则化的方式来求解，吉洪诺夫正则化方法的最小化下列方程：

其中α表示可调整的正则化参数，表示二范数，由最小二乘法可求得吉洪诺夫正则化反演矩阵，并将该矩阵与一维展开后的无折射影响的渡越时间差异图相乘，获取最终的重构图像

其中I表示单位矩阵。