一种基于深度学习神经网络的人体组织电导率分布重建方法
及系统
技术领域
背景技术
[0002] 生物
电阻抗
断层成像技术(EIT，Electrical Impedance Tomography)是一种新型医学功能成像技术，通过向人体表面激励
电极上施加微弱的
电流，检测其他
位置检测电极上
电压值，根据电压与电流之间的关系，重构出人体内部电阻抗值或者电阻抗的变化值。专[1]利 提出了一种电阻抗图像重建
算法，通过将头部模型进项分层处理，根据空间分布先验信息，降低头皮层干扰，突出显示颅腔内目标，提高成像效果。
[0003] 磁探测
电阻抗成像技术是基于生物电阻抗断层成像技术发展而来的，此种技术是在1992 年首次被Ahlfors提出来的，当时被命名为Magnetic Impedance Tomography(MIT[2]) 。2004年，此种技术更名为磁探测电阻抗成像(Magnetic Detection Electrical Impedance Tomography， MDEIT)。磁探测电阻抗成像的原理如图1所示，成像区域的电导率分布为σ，通过将激励电极贴在成像体的外部并向成像体内部输入大小为I0的激励电流。电流在成像体内部所产生的电流
密度为j，这是由成像体内部的电导率分布σ决定的，由激励电流产生的成像体周围
磁场的磁感应强度则是B，区域的磁导率近似为
真空的磁导率。测量成像体周围磁感应强度就可以重建出目标成像体内部的电导率分布。
[0004] 然而，
现有技术方法在成像体电导率分布重构应用时，仍存在不足：作为MDEIT技术的关键技术之一的图像重建算法，MDEIT逆问题本质上是病态的，使得图像重构非常易受噪声和数值误差的影响，所以这类问题的求解具有一定的困难，距离实际临床应用的要求比较远；另外现有的图象重构算法重建速度慢，需要花费大量时间。因此研究一种良好的图像算法是亟待解决的问题。
[0005] 参考文献：
[0006] [1]一种基于分层重构的脑部电阻抗断层成像方法，公开(公告)号： CN102961137A，公开(公告)日：2013.03.13.
[0007] [2]林凌，郝丽玲，陈瑞娟.磁探测电阻抗成像及其在
经络三维
定位中的应用[J].中国医学物理学杂志.2010(6)：1793-1798.
发明内容
[0008] 本发明旨在至少解决上述技术问题之一。
[0009] 为此，本发明的一个目的在于提出一种基于深度学习神经网络的人体组织电导率分布重建方法，该方法通过对激励作用下成像体周围磁感应强度的学习得到图像重建网络，从而提高重建
分辨率和重建速度。
[0010] 本发明的另一个目的在于提出一种基于深度学习神经网络的人体组织电导率分布重建系统。
[0011] 为实现上述目的，本发明第一方面的
实施例提出了一种基于深度学习神经网络的人体组织电导率分布重建方法，包括以下步骤：获取所述神经网络
训练数据；构建神经网络；使用所述训练数据训练所述神经网络，得到所述神经网络具体参数；根据所述具体参数，对待重建成像体进行
三维重建，得到成像体内部电导率分布。
[0012] 另外，根据本发明上述实施例的基于深度学习神经网络的人体组织电导率分布重建方法，还具有如下附加的技术特征：
[0013] 在一些示例中，所述的获取所述神经网络训练数据，包括：通过激励作用下成像体周围磁感应强度获取所述神经网络的训练数据。
[0014] 在一些示例中，所述根据所述具体参数，对待重建成像体进行三维重建，得到成像体内部电导率分布，包括：将所述成像体周围磁感应强度放入所述神经网络，对成像体内部电导率进行重建。
[0015] 在一些示例中，所述训练数据为同一磁探测电阻抗成像系统采集到的所述成像体外部磁感应强度。
[0016] 在一些示例中，所述神经网络包括特征
抽取层、特征编码层和分类重建层。
[0017] 为实现上述目的，本发明第二方面的实施例提出了一种基于深度学习神经网络的人体组织电导率分布重建系统，包括以下模
块：数据获取模块，用于获取所述神经网络训练数据；网络构建模块，用于构建神经网络；网络训练模块，用于使用所述训练数据训练所述神经网络，得到所述神经网络具体参数；图像重建模块，用于根据所述具体参数，对待重建成像体进行三维重建，得到成像体内部电导率分布。
[0018] 另外，根据本发明上述实施例的基于深度学习神经网络的人体组织电导率分布重建系统，还具有如下附加的技术特征：
[0019] 在一些示例中，所述数据获取模块为：激励电极固定在所述成像体上，将激励源发出的激励
信号引入所述成像体；测量线圈均匀分布于成像体外部，获取激励作用下成像体外部磁感应强度的大小。
[0020] 在一些示例中，所述图像重建模块用于将所述成像体周围磁感应强度放入所述神经网络，以对所述成像体内部电导率进行重建。
[0021] 在一些示例中，所述训练数据为同一所述数据获取模块采集到的所述成像体外部磁感应强度。
[0022] 在一些示例中，所述的一种基于深度学习神经网络的人体组织电导率分布重建系统，其特征在于，所述神经网络包括特征抽取层、特征编码层和分类重建层。
[0023] 本发明提供的技术方案的有益效果是：
[0024] 本发明提供了一种基于深度学习神经网络的人体组织电导率分布重建方法及系统，设计了神经网络的结构，使其能够通过同一磁探测电阻抗系统采集到的所述成像体外部磁感应强度得到相应的成像体内部电导率分布。同时该方法及系统的抗噪性强，提高了三维重建速度和分辨率，降低对成像系统抗噪性的要求，不需要
硬件系统的大量拟合，成像速度快。
附图说明
[0025] 图1为磁探测电阻抗成像的原理示意图；
[0026] 图2为本发明实施例神经网络算法的一般示意图；
[0027] 图3为本发明提供的一种基于深度学习神经网络的人体组织电导率分布重建方法的
流程图；
[0028] 图4为本发明提供的一种基于深度学习神经网络的人体组织电导率分布重建系统的结构
框图。
具体实施方式
[0029] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0030] 在描述本发明实施例的一种基于深度学习神经网络的人体组织电导率分布重建方法及系统之前，首先对深度学习及神经网络进行相关的描述。
[0031] 具体地，深度学习是计算机科学中机器学习领域中的一个新方向，其动机在于：通过学习数据样本中数据内部规律，建立、模拟人脑进行
分析学习的神经网络，模仿人脑的机制来解释诸如图像，声音和文本等数据。单个神经元是一个运算单位，它将上一层每个神经元的输出作为输入，通过激活函数运算之后的结果作为神经元的输出。层与层之间的神经元相互连接，形成神经网络，如图2所示。每层输出作为下层输入传播的步骤我们称之为前向传播过程，此过程得到的结果便是神经网络
数据处理的最终结果。而训练网络的过程指的就是取得神经网络函数各项参数的过程，通过将训练数据前向传播的结果与已知标签的代价函数进行计算，利用反向传播算法优化网络参数，使得代价函数获得最小值，也就是使前向传播结果最大程度与标签拟合。学习得到的最终结果使神经网络最右，从而训练完成。
[0032] 基于此本发明提供实施了一种基于深度学习神经网络的人体组织电导率分布重建方法，方法示意图参见图3，详见下文描述：
[0033] 一种基于深度学习神经网络的人体组织电导率分布重建方法，包括以下步骤：
[0034] 步骤101：获取神经网络训练数据；
[0035] 步骤102：构建神经网络；
[0036] 步骤103：使用训练数据训练神经网络，得到神经网络具体参数；
[0037] 步骤104：根据具体参数，对待重建成像体进行三维重建，得到成像体内部电导率分布。
[0038] 具体地，在步骤101中，训练数据为同一磁探测电阻抗成像系统采集到的所述成像体外部磁感应强度。
[0039] 具体地，在步骤104中，根据具体参数，对待重建成像体进行三维重建，得到成像体内部电导率分布，包括：将成像体周围磁感应强度放入所述神经网络，对成像体内部电导率进行重建。
[0040] 其中，在本发明中的一个实施例中，神经网络包括特征抽取层、特征编码层和分类重建层。具体地特征抽取层将输入的磁感应强度信息特征抽取，将特征信息突出显示；特征编码层将突出显示的特征信息进行编码；分类重建层将所得到的编码特征进行分类，得到n类标签，标签所携带的就是成像体内部的电导率分布信息。需要说明的是，神经网络每层的神经元个数可以根据实际输入数据和输出数据进行调整，从而获得更加合适的神经网络。
[0041] 综上，本发明实施例的基于深度学习神经网络的人体组织电导率分布重建方法设计了神经网络的结构，使其能够通过同一磁探测电阻抗系统采集到的所述成像体外部磁感应强度得到相应的成像体内部电导率分布。同时该方法及系统的抗噪性强，提高了三维重建速度和分辨率，降低对成像系统抗噪性的要求，不需要硬件系统的大量拟合，成像速度快。
[0042] 本发明的进一步实施例还提出了一种基于深度学习神经网络的人体组织电导率分布重建系统，系统结构框图参见图4，详见下文描述：
[0043] 一种基于深度学习神经网络的人体组织电导率分布重建系统105，包括以下模块：数据获取模块106；网络构建模块107；网络训练模块108；图像重建模块109。
[0044] 其中，数据获取模块106用于获取所述神经网络训练数据；
[0045] 网络构建模块107用于构建神经网络；
[0046] 网络训练模块108用于使用所述训练数据训练所述神经网络，得到所述神经网络具体参数；
[0047] 图像重建模块109用于根据所述具体参数，对待重建成像体进行三维重建，得到成像体内部电导率分布。
[0048] 具体地，数据获取模块106中，训练数据为同一磁探测电阻抗成像系统采集到的所述成像体外部磁感应强度。
[0049] 具体地，重建模块109中，根据具体参数，对待重建成像体进行三维重建，得到成像体内部电导率分布，包括：将成像体周围磁感应强度放入所述神经网络，对成像体内部电导率进行重建。
[0050] 其中，在本发明中的一个实施例中，神经网络包括特征抽取层、特征编码层和分类重建层。具体地特征抽取层将输入的磁感应强度信息特征抽取，将特征信息突出显示；特征编码层将突出显示的特征信息进行编码；分类重建层将所得到的编码特征进行分类，得到n类标签，标签所携带的就是成像体内部的电导率分布信息。需要说明的是，神经网络每层的神经元个数可以根据实际输入数据和输出数据进行调整，从而获得更加合适的神经网络。
[0051] 综上，本发明实施例的基于深度学习神经网络的人体组织电导率分布重建系统设计了神经网络的结构，使其能够通过同一磁探测电阻抗系统采集到的所述成像体外部磁感应强度得到相应的成像体内部电导率分布。同时该方法及系统的抗噪性强，提高了三维重建速度和分辨率，降低对成像系统抗噪性的要求，不需要硬件系统的大量拟合，成像速度快。
[0052] 本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0053] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
