[发明专利]一种基于深度图像先验的电阻抗图像重建方法

说明书

本发明公开了一种基于深度图像先验的电阻抗图像重建方法，包括：获取深度卷积神经网络的输出图像与有限元网格数据之间的映射变换；利用映射变换分别与计算电压函数和正则化函数进行复合操作，得到复合后的计算电压函数和复合后的正则化函数；将随机噪声图像或电导率先验参考图像输入到深度卷积神经网络，得到未知图像；将未知图像分别输入到复合后的计算电压函数和复合后的正则化函数，得到计算电压和正则化值；将测量数据、计算电压和正则化值输入到损失函数中，得到损失值；根据损失值，利用优化算法迭代优化深度卷积神经网络的参数，得到参数优化的深度卷积神经网络；利用映射变换和参数优化的深度卷积神经网络输出电阻抗图像的重建图像。

技术领域

本发明涉及电阻抗断层成像技术领域，特别涉及一种基于深度图像先验的电阻抗图像重建方法、电子设备以及存储介质。

背景技术

电阻抗成像(Electrical impedance tomography, EIT)是一种功能成像技术，其通过在体表施加一个微小的安全激励电流（电压），并且利用放置在体表的电极测量相应的响应电压（电流），从而重建出人体内二维或三维的电阻抗分布图像。由于无损、无辐射、低成本、便携性等优势，该技术在医学、工业、地球物理等领域得到了广泛的关注与应用。

然而，由于EIT反演重建非线性以及高度不适定的本质，EIT图像面临着空间分辨率低、对比度差等问题。因此研究与开发高精度、性能稳定的EIT系统及反演算法，提升其成像质量，探索其在临床医学以及非医学领域中的应用，是当前的热点和难点问题。

随着近年来计算机技术的飞速发展以及算力水平的不断提升，机器学习算法广泛地应用于计算机视觉、图像和语音识别等领域，并取得了一系列研究成果。在医学成像领域，近年来也涌现出了大量通过机器学习算法对计算机断层成像（Computed Tomography，CT）、核磁共振成像（Magnetic Resonance Imaging，MRI）、正电子发射断层（PositronEmission Tomography，PET）图像进行处理和重建的研究工作。同时，EIT领域也出现了使用卷积神经网络、LeNet网络、U-net网络等进行图像重建的方法，此类方法通过训练数据来拟合数据到图像或图像到图像之间的非线性关系。相比于传统EIT方法，基于机器学习的EIT方法具有通过训练数据灵活引入先验信息、模型训练完成后成像速度快等优势，同时也提升了重建图像的分辨率。然而，精确的人体内部电阻抗分布图像通常难以获得，训练集数量有限，这一问题对训练模型的精度与泛化能力产生极大影响。

发明内容

鉴于上述问题，本发明提供了一种基于深度图像先验的电阻抗图像重建方法、电子设备以及存储介质，以期能够解决上述问题之一。

根据本发明的第一个方面，提供了一种基于深度图像先验的电阻抗图像重建方法，包括：

获取深度卷积神经网络的输出图像与有限元网格数据之间的映射变换，其中，深度卷积神经网络的输出图像用于表示电导率分布图像；

利用映射变换分别与计算电压函数和正则化函数进行复合操作，得到复合后的计算电压函数和复合后的正则化函数；

将随机噪声图像或电导率先验参考图像输入到深度卷积神经网络，得到未知图像；

将未知图像分别输入到复合后的计算电压函数和复合后的正则化函数，得到计算电压和正则化值；

将测量数据、计算电压和正则化值输入到损失函数中，得到损失值；

根据损失值，利用优化算法迭代优化深度卷积神经网络的参数，得到参数优化的深度卷积神经网络；

利用映射变换和参数优化的深度卷积神经网络输出电阻抗图像的重建图像。

根据本发明的实施例，上述根据损失值，利用优化算法迭代优化深度卷积神经网络的参数，得到参数优化的深度卷积神经网络包括：

将深度卷积神经网络的参数作为优化算法的初始值，得到深度卷积神经网络的输出图像；