[发明专利]一种基于机器学习-电磁反演的高空间分辨率脑成像方法

权利要求书

1.一种基于机器学习-电磁反演的高空间分辨率脑成像方法，其特征在于，具体包括以下步骤：

建立反演模型，根据高空间分辨率的脑电特性分布，建立SJ-BPNNs网络和U-Net网络结合的反演模型，所述SJ-BPNNs网络将测量到的散射场转化为脑电特性的三维图像，再利用U-Net网络增强三维图像的成像质量；

依据人脑先验信息的脑成像训练策略来建立学习样本数据集；所述训练策略包括：在给定范围内对人脑模型进行不同因子的缩放；根据不同的组织，在给定的范围内随机设置不同训练样本的脑组织电学特性；

利用学习样本集对SJ-BPNNs网络进行训练和验证；再将SJ-BPNNs输出的三维图像处理成二维图像输入到U-Net中训练和测试；

所述建立SJ-BPNNs网络和U-Net网络结合的反演模型，具体包括：

搭建SJ-BPNNs网络：SJ-BPNNs网络包括三层:输入层、隐含层和输出层；训练样本的输入为测量散射场的列向量x_j＝[x_1j,x_2j…x_mj]^T∈C^m，输出是电特性分布列向量o_j＝[o_1j,o_2j…x_N1×N2×N3j]^T∈R^{1×(N1×N2×N3)}，其中m为输入层的输入维数，N1×N2×N3为输出维数，C为复数集，R为实数集；

SJ-BPNNs网络将输出均匀地划分为N个子集，N为整数，使输出的子集连接到隐含层，对于第n个子集，输出为：

其中，n＝1,2,...,N,j＝1,2,...,P,P是训练样本的总集合数，和分别为输入层和隐含层之间的L×m权矩阵和L×1阈值向量，L为每个子集中隐含层网络的节点数，和分别为隐含层和输出层之间的F×L权矩阵和F×1阈值向量，g_l和g_s分别为隐含层的线性激活函数和输出层的tan-sigmoid激活函数，分别表示为:

所述建立SJ-BPNNs网络和U-Net网络结合的反演模型，还包括：

搭建U-Net网络：U-Net包括收缩路径和扩展路径，输入U-Net网络的二维图像，所述二维图像是SJ-BPNNs网络将测量到的散射场转化为脑电特性的三维图像切成XY、YZ和XZ平面的二维图像，其中YZ和XZ用于训练U-Net，XY用于测试训练完的U-Net。

2.根据权利要求1所述的一种基于机器学习-电磁反演的高空间分辨率脑成像方法，其特征在于，所述依据人脑先验信息的脑成像训练策略来建立学习样本数据集；所述训练策略包括：在给定范围内对人脑模型进行不同因子的缩放；根据不同的组织，在给定的范围内随机设置不同训练样本的脑组织电学特性，具体包括：

将不同的人脑纳入训练过程，在给定范围内对人脑模型进行不同因子的缩放；根据不同的组织，在给定的范围内随机设置不同训练样本的脑组织电学特性，使训练策略对不同的个体具有通用性；

在训练样本中对人脑组织进行变形，变形的大小按照正态分布；

在训练样本中，随机分布不同大小和电特性的球形散射体。