[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

说明书

本发明公开的前向模型约束的神经网络磁粒子成像重建方法，通过校准获得系统矩阵，测量样品产生的电压数据；将采集到的数据进行傅里叶变换转化到频率域，使用信噪比阈值对数据的频率特征进行筛选；使用Pytorch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；使用系统矩阵作为磁粒子成像的前向模型，用重建后的磁粒子浓度分布生成电压仿真数据，计算电压仿真数据与输入电压数据之间的差异作为损失函数对网络参数进行更新；在损失函数中添加正则化项，并调整训练参数和正则化参数取得最优的重建效果。本发明使用前向模型约束的神经网络进行磁粒子成像重建，通过在网络的损失函数中添加全变分正则化项，进一步提高重建效果。

技术领域

本发明属于图像重建技术领域，具体涉及前向模型约束的神经网络磁粒子成像重建方法，还涉及前向模型约束的神经网络磁粒子成像重建系统。

背景技术

磁粒子成像(Magnetic Particle Imaging,MPI)是一种全新的定量功能性成像技术，使用磁纳米粒子作为示踪剂，最终对磁纳米粒子的浓度分布进行成像。相较于CT、PET等成像技术，磁粒子成像不含任何电离辐射，同时具有高空间分辨率、高时间分辨率和高灵敏度等特点。具有广阔的应用前景和良好的应用潜力。

目前磁粒子成像的重建方法主要有两种，一种是X-Space重建方法，直接在时域的电压信号上进行重建，具有较快的重建速度，但重建过程中频繁的去卷积过程会对放大噪声并引起伪影；另一种方法是系统矩阵法，相较于X-Space法，系统矩阵包含了复杂的磁场特性和粒子特性，并且能将系统缺陷考虑进去，因此具有更加准确的重建结果，但由于系统矩阵法需要对非限定性方程求解，重建结果中仍存在较多的伪影。

通过上述分析，现有技术存在的问题及缺陷为：

(1)目前的磁粒子成像重建方法，无论是系统矩阵法还是X-Space法，重建结果含有明显的噪声干扰，重建效果有待提升。

(2)传统的神经网络训练需要大量的训练数据，但目前的磁粒子成像设备昂贵，并未得到广泛的使用，测量数据难以获取，网上公开的磁粒子成像数据也仅有几十组，不足以实现对神经网络的训练。

解决以上问题及缺陷的难度为：目前磁粒子成像重建质量有待进一步提升，因此需要解决重建效果差的问题；神经网络的训练需要大量的实测数据，但目前磁粒子成像技术并未广泛应用，磁粒子成像设备少。磁粒子成像数据匮乏，因此需要解决少量或者单个样本对神经网络参数更新的问题。

解决以上问题及缺陷的意义为：通过Pytorch实现前向模型约束的神经网络，实现单个数据的重建；设计合适的损失函数，添加全变分正则化项，调节正则化参数，提高磁粒子成像的重建质量。

发明内容

本发明的目的在于提供前向模型约束的神经网络磁粒子成像重建方法，实现单个数据的重建；设计合适的损失函数，添加全变分正则化项，调节正则化参数，提高磁粒子成像的重建质量。

本发明所采用的技术方案是：前向模型约束的神经网络磁粒子成像重建方法，具体操作步骤如下：

(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；

(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；

(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；

(4)计算不同频率分量的信噪比大小；

(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；

(6)使用Pytorch实现重建网络；

(7)使用系统矩阵作为磁粒子成像的前向模型；

(8)提出损失函数，并中添加全变分正则化项；