[发明专利]前向模型约束的神经网络磁粒子成像重建方法和系统

权利要求书

1.前向模型约束的神经网络磁粒子成像重建方法，其特征在于，具体操作步骤如下：

步骤1：获取磁粒子成像的测量数据与校准获得的系统矩阵数据，经过傅里叶变换获得频域数据，并使用信噪比阈值进行频率特征的筛选；

步骤2：使用Pytorch实现重建网络，实现由一维电压数据到多维磁粒子浓度分布的映射；

步骤3：使用系统矩阵作为磁粒子成像的前向模型，用重建后的多维磁粒子浓度分布生成电压仿真数据；

步骤4：使用电压仿真数据与输入电压数据之间的差异作为损失函数并添加浓度的全变分范数，对网络参数进行更新。

2.根据权利要求1所述的前向模型约束的神经网络磁粒子成像重建方法，其特征在于，步骤1具体如下：

步骤1.1：使用标准浓度的磁粒子样本对磁粒子成像系统进行校准获得系统矩阵和系统的空测数据作为背景信号；

步骤1.2：使用磁粒子成像系统对待测量的样品进行扫描获得电压数据；

步骤1.3：对获得的系统矩阵和扫描获得的电压数据进行傅里叶变换获得对应的频域分布；

步骤1.4：计算不同频率分量的信噪比大小；

步骤1.5：设定信噪比阈值进行频率特征筛选，减少噪声信号的影响。

3.根据权利要求1所述的前向模型约束的神经网络磁粒子成像重建方法，其特征在于，步骤4具体如下：

步骤4.1：在损失函数中添加全变分正则化项；

步骤4.2：将测量获得的电压仿真数据和系统矩阵数据输入网络，并使用Adam优化算法进行参数更新；

步骤4.3：调整正则化参数，获得最优的重建效果。

4.根据权利要求2所述的前向模型约束的神经网络磁粒子成像重建方法，其特征在于，步骤2使用Pytorch实现重建网络框架包括：

使用Pytorch实现重建网络，整个重建网络由一个DCGAN生成器的架构构成，在网络中使用了五层复数反卷积网络来实现一维的电压频域数据到多维磁粒子浓度分布的映射，在前四层的反卷积网络之后分别添加复数批量标准化层和复数ReLU激活层。

5.根据权利要求2所述的前向模型约束的神经网络磁粒子成像重建方法，其特征在于，步骤3所述前向模型如下：

磁粒子成像系统是一种线性的系统，成像空间内所有磁粒子产生的电压信号可以看作每个位置处单位浓度磁粒子电压信号的加权和；系统矩阵重建正是基于这个原理在频域实现重建；将接受到的电压信号u(t)经傅里叶变换后表示为u，则电压数据u、系统矩阵S和磁粒子浓度分布c之间的关系可以表示为：

u＝Sc

系统矩阵重建法是在已知电压数据u和系统矩阵S的情况下来求解磁粒子浓度c的过程；前向模型则是在已知浓度分布c和系统矩阵S的前提下来求得产生的电压信号u。

6.根据权利要求3所述的前向模型约束的神经网络磁粒子成像重建方法，其特征在于，步骤4.1提出的损失函数如下：

1)使用均方误差函数从像素的层面进行优化：

式中，u表示输入网络的接收电压信号，S表示系统矩阵，表示网络输出，即磁粒子浓度分布；MSE表示均方误差计算公式，具体公式如下：

式中，代表网络输出经过前向模型计算后得到的电压信号，i∈1,2…,N表示电压的频率分量，N是频率分量个数；

2)使用全变分正则化进行去噪角度优化：

式中，V为全变分的计算公式，具体如下：

式中，代表空间位置(j,k)处磁粒子浓度；

3)最终的损失函数为：

L＝L_MSE+λL_tv

全变分系数λ设置为10^-6。

7.根据权利要求3所述的前向模型约束的神经网络磁粒子成像重建方法，其特征在于，步骤4.2通过Adam优化算法优化网络包括：

1)使用复数反卷积网络对磁粒子浓度的空间分布重建；

2)学习率设定为10^-4。

8.前向模型约束的神经网络磁粒子成像重建系统，其特征在于，包括：

磁粒子成像数据采集模块，用于获取磁粒子扫描数据，校准获得的系统矩阵数据；

磁粒子成像数据处理模块，对采集到的磁粒子成像数据进行傅里叶变换，并基于信噪比阈值进行频率特征的筛选；

重建网络模块，用于使用Pytorch实现重建网络；

前向传输模块，用于获得磁粒子分布对应电压的频域数据。