[发明专利]一种以深度学习加速的迭代式光声图像重建方法

说明书

本发明涉及一种以深度学习加速的迭代式光声图像重建方法，其特征在于，通过神经网络对迭代过程学习正则项的梯度增量在每次迭代中让重建图像快速收敛；对于需要手动调整的迭代步长α，通过设置可学习的参数ω使其自主学习最佳参数。本发明提出了一种用深度学习网络加速迭代收敛与自动调整参数的方法，通过训练的网络可以使得仅在5次以下的迭代结果胜于传统的10次以上的迭代效果。

技术领域

本发明涉及一种迭代式光声图像重建方法。

背景技术

光声成像是一种新兴的成像方式，其结合了光学和超声两种成像模态的优点。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对比度。

光声计算机断层扫描(PACT)系统具备快速大区域的成像性能。现在的研究表明其有许多预临床和临床方面的应用，如早期的肿瘤检测和小动物的全身成像。在不适定条件下(如有限视角、稀疏视角等)的图像重建可能存在较多问题。迭代式重建的方法可在优化条件下实现高质量重建，但其成像时间较久，需要较大的计算资源。

发明内容

本发明要解决的技术问题是：现有的迭代式光声图像重建方法成像时间较久，需要较大的计算资源。

为了解决上述技术问题，本发明的技术方案是提供了一种以深度学习加速的迭代式光声图像重建方法，光声图像重构的目标是从所接收到的信号y恢复初始压力x，通过最小化最小二乘法误差来求解，求解时利用通过优化方法进行迭代，迭代时加入R(x)正则项，使得优化目标变为：式中，是数据一致项，R(x)是正则项，λ是超参数，A是前向模型；

设正则项R(x)可微分梯度下降，则第k+1次迭代表示为式中，表示梯度增量，则表示正则项第k次迭代的梯度增量，α表示迭代步长，A^*为前向模型A的一个伴随线性模型，x_k表示第k次迭代的结果，其特征在于，所述迭代式光声图像重建方法包括以下步骤：

通过神经网络对迭代过程学习正则项的梯度增量在每次迭代中让重建图像快速收敛；对于需要手动调整的迭代步长α，通过设置可学习的参数ω使其自主学习最佳参数。

优选地，所述神经网络采用卷积神经网络CNN模型替代，若正则项R(x)未确定，则第k+1次迭代表示为x_k+1＝x_k-ω(A^*(Ax_k-y))+CNN(x_k)，式中，CNN(x_k)表示神经网络模型的输出；

若正则项R(x)已确定，则第k+1次迭代表示为使用卷积神经网络CNN模型仅仅学习每次迭代的步长与数据一致项的梯度与正则项R(x)的梯度的比例，以非线性的形式迭代，表示为式中，表示神经网络模型的输出。

优选地，对于所述神经网络的训练，使用均方根MSE误差并以最终高质量图像为标签进行优化：L_rec＝MSE(x-x_k+1)，L_rec表示损失函数，x表示标签图像，x_k+1是第k+1次迭代的结果。

本发明提出了一种用深度学习网络加速迭代收敛与自动调整参数的方法，通过训练的网络可以使得仅在5次以下的迭代结果胜于传统的10次以上的迭代效果。

附图说明

图1为网络模型参与的正则梯度迭代流程；

图2为用于学习正则梯度的卷积神经网络；

图3为用于非线性迭代的深度学习模型；

图4为学习正则增量的仿真结果展示：(a)、(b)为不同样品的时间反演(TR)重建结果；(c)、(d)为不同样品的全变分的20次迭代结果；(e)、(f)为不同样品的网络参与迭代的5次结果；(g)，(h)为标签图像；