CN111192209A - 一种基于深度学习的磁感应断层成像优化方法 - Google Patents

一种基于深度学习的磁感应断层成像优化方法 Download PDF

Info

Publication number
CN111192209A
CN111192209A CN201911313917.6A CN201911313917A CN111192209A CN 111192209 A CN111192209 A CN 111192209A CN 201911313917 A CN201911313917 A CN 201911313917A CN 111192209 A CN111192209 A CN 111192209A
Authority
CN
China
Prior art keywords
network
image
data
conductivity
mit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911313917.6A
Other languages
English (en)
Other versions
CN111192209B (zh
Inventor
宣琦
袁琴
陈科
孙翊杰
翔云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201911313917.6A priority Critical patent/CN111192209B/zh
Publication of CN111192209A publication Critical patent/CN111192209A/zh
Application granted granted Critical
Publication of CN111192209B publication Critical patent/CN111192209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

一种基于深度学习的磁感应断层成像优化方法，包括以下步骤：1)获取数据，通过实验装置设备采集牛顿‑拉夫逊MIT电导率分布图；2)数据处理，根据物场内导体所处的位置和形状得出真实电导率图；3)构建Deep‑MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；4)将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。本发明解决了传统磁感应断层图像重构中图像精度不高的问题，改善了图像中的伪影，且抗噪性强，降低对成像系统抗噪性的要求，成像速度快。

Description

一种基于深度学习的磁感应断层成像优化方法
技术领域
本发明属于生物医学成像技术领域，涉及深度学习、图像重建，特别是涉及一种基于深度学习的磁感应断层成像优化方法。
背景技术
医学磁感应断层成像技术(Magenetic Induction Tomography，MIT))最早于1993年被正式报道，在静态固体和生物组织上都有研究。MIT技术与电阻抗成像(ElectricalImpedance Tomography，EIT)、电容成像(Electrical Capacitance Tomography，ECT)和静磁场磁导率成像一起被归为被动成像技术。1968年以来，针对生物组织的磁感应应用的研究就已经开展，包括肺组织检测成像、脑组织成像、中风相关疾病检测以及肝组织检测等等。
MIT是一种非接触、无创的以人体电导率分布或其变化为成像目标的阻抗成像技术，是生物电阻抗成像研究的一个重要分支，它的基本原理是涡流检测，检测处于交变磁场中的物体内部电导率分布变化所导致的涡流感性信号的变化，并通过重构算法得到目标物内部电导率分布情况。MIT不但具有电阻抗成像EIT技术无创、无害、可实时动态成像等特点，而且由于其检测方式的非接触性，还能够避免使用体表电极带来的接触阻抗、电极摆放位置误差等问题，并适用于人体有外伤不能贴电极而需要检测或监测的各类伤病员。是人体内出血监测的适宜技术，比EIT具有更广阔的应用前景。
MIT图像重构算法是通过已知边界次级磁场重构电导率分布，常用的成像算法有反投影算法和牛顿迭代算法两种，由于数据采集系统的精度问题，实际应用中多采用差分成像的方式，即对前后两个状态下的测量数据的差值进行成像，以消除部分系统误差，Newton-Raphson算法就是采用差分成像的方式，然而MIT图像重建过程是高度的非线性的不适定逆问题，可参考文献(Merwa R,Hollaus K,Brunner P,et al.Solution of theinverse problem of magnetic induction tomography(MIT)[J].PhysiologicalMeasurement,2005,26(2):S241-S250.)，Newton-Raphson算法在计算局部最优解的过程容易导致局部最小化问题的发生，使得图像出现严重失真。
现代医学影像诊断技术是医学物理学领域中的一个重要分支，在对患者疾病的诊断起着重要的辅助作用。因此，需要对MIT图像重构进行更深入和更广泛的研究，提高图像重构的质量和精度。
发明内容
为了克服现有重建图像的精度不高的不足，本发明提供了一种改善低质量图像的基于深度学习的磁感应断层成像优化方法，该方法结合Newton-Raphson算法和神经网络来产生高质量的清晰的MIT电导率分布图像。
本发明解决其技术问题所采用的技术方案如下：
一种基于深度学习的磁感应断层成像优化方法，包括以下步骤：
S1：获取数据，通过实验装置设备采集牛顿-拉夫逊MIT电导率分布图；
S2：数据处理，根据物场内导体所处的位置和形状得出真实电导率图；
S3：构建Deep-MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；
S4：将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。
进一步，所述步骤S1中，实验装置采用16通道的复用线圈MIT数据采集系统，实验装置为圆形物场，在此圆形区域内划分749个坐标，将以两个不同直径的实心橡胶棒的圆心为中心，分别放置于各个坐标点上，共有1498种电导率分布模型，通过实验装置的图像重构模块得到牛顿-拉夫逊电导率分布图，保存为PNG格式。考虑到实验装置中噪声对成像的影响，每个坐标采集20帧数据图片，并只选取第15帧的数据作为有效数据，共采集6个周期，即每种电导率分布模型有6个不同数据。
再进一步，所述步骤S2中，根据物场区域内目标物所处的位置和形状，得到每种电导率分布模型对应的真实电导率分布图，作为对应牛顿-拉夫逊电导率分布图的条件标签，将所有的数据图片进行预处理，转换成256*256的尺寸，这样有利于加快卷积神经网络的训练，有利于提高模型的精度，按照9：1的比例将数据集划分为训练集和测试集，训练集{xi,yi}i，xi表示第i对数据中由牛顿-拉夫逊算法得出的MIT电导率分布图，yi表示第i对数据中的真实电导率分布图。
所述步骤S3中，包括以下步骤：
S3-1：构建Deep-MIT生成对抗网络的生成网络，借鉴U-Net的结构，生成网络包含一个用于捕捉上下文语义信息的收缩路径(contracting path)和一个用于精准定位的扩展路径(expanding path)，是一个端到端的网络，将源域图像xi作为网络的输入，首先经过卷积核尺寸为5*5的无填充卷积，每次卷积后都经过ReLU函数作用，以及尺寸为2*2，步长为2的max pooling来进行降采样，每次降采样，feature map变为原来的一半，channels变为原来的2倍，重复该步骤4次；而后进入扩展路径，经过5*5的反卷积，反卷积的outputchannels为原先的一半，feature map的长和宽加倍，再进行跳跃连接层方法，即将i层直接与第n-i层通过通道串接，n为总的层数，合并层会导致平移不变性，这对于减少重建过程中的位置偏差非常重要，最后经过两个尺寸为5*5的卷积及经过ReLU作用，重复该扩展网络步骤4次，生成器生成出近似目标域y的图像G(xi)，使得G(xi)≈yi；
S3-2：构建Deep-MIT生成对抗网络的判别网络，判别网络的任务与传统的生成对抗网络不同，不仅需要对由生成网络生成的图片和真实电导率图判断真假，还需判断该图片是否与输入的牛顿-拉夫逊MIT电导率分布图为对应图。因此将输入的电导率图与生成图像、真实的电导率图分别在第3通道进行拼接，然后一起作为输入判别器，其损失函数如下：
LGAN(G,D)＝Ex,y[logD(x,y)]+Ex[log(1-D(x,G(x)))]
其中x表示源域图像，y表示真实图像，G(x)为生成图像，D(x,y)表示判别网络判断真实图片是否真实的概率，而D(x,G(x))是判别网络判断生成网络生成的图片是否真实的概率；
另外加入了L1损失用来保证输入图像与输出图像之间的相似度，选择L1距离，是因为相比于L2，L1距离产生的模糊更小，L1损失函数如下：
LL1(G)＝Ex,y[||y-G(x)||1]
S3-3：Deep-MIT网络的生成网络和判别网络交替训练，使用Adam优化器，不但存储了过去梯度的平方vt的指数衰减平均值，也保持了过去梯度mt的指数衰减平均值：
mt＝β1mt-1+(1-β1)gt
Figure BDA0002325293490000021
如果mt和vt被初始化为0向量，那它们就会向0偏置，所以做了偏差校正，通过计算偏差校正后的mt和vt来抵消这些偏差：
Figure BDA0002325293490000031
Figure BDA0002325293490000032
梯度更新规则：
Figure BDA0002325293490000033
超参数设定值，β1＝0.9，β2＝0.999，∈＝10e-8，整个Deep-MIT网络的目标函数如下：
Figure BDA0002325293490000034
整个式子由两项构成，生成器G的目标是最小化LGAN(G,D)，判别器D目标是最大化LGAN(G,D)；λ为L1损失函数的权重。
所述步骤4中，将测试集中的牛顿-拉夫逊电导率图输入训练模型中，生成出对应的深度电导率分布图。
本发明的有益效果为：由于MIT图像重建过程是高度非线性的不适定逆问题，使用传统的方法重建出来的图像具有很多伪影，成像质量不高。本发明选取了大量牛顿-拉夫逊MIT图像和对应的真实电导率分布图作为标签，取得了丰富的训练样本。本发明利用深度学习对牛顿-拉夫逊MIT图像进行优化，与传统的算法相比，成像精度更高，去除了伪影，快速直接重建的过程提供低延迟的高质量图像，实现预期的实时成像。
附图说明
图1为本发明实施例的基于深度学习的磁感应断层成像优化方法的流程图；
图2为本发明实施例的Deep-MIT算法流程图。
图3为本发明实施例在测试集上其中3种电导率分布模型的结果图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图对本发明作进一步说明。
参照图1～图3，一种基于深度学习的磁感应断层成像优化方法，本发明使用MIT硬件设备所采集的数据作为数据集。所述方法包括数据集整理，数据预处理，构建对抗生成网络，模型训练和测试集生成。
本发明包括以下步骤：
S1：获取数据，通过实验装置设备采集牛顿-拉夫逊MIT电导率分布图；
S2：数据处理，根据物场内导体所处的位置和形状得出真实电导率图；
S3：构建Deep-MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；
S4：将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。
进一步，所述步骤S1中，实验装置采用16通道的复用线圈MIT数据采集系统，实验装置的物场区域为内径为20cm的圆形，在此圆形区域内划分749个坐标，将以直径为45cm、30cm的实心橡胶棒的圆心为中心，分别放置于各个坐标点上，共有1498种电导率分布模型R＝{σ(1),σ(2),...,σ(1498)}，通过实验装置的图像重构模块得到牛顿-拉夫逊电导率分布图，保存为PNG格式，考虑到实验装置中噪声对成像的影响，每个坐标采集20帧数据图片，并只选取第15帧的数据作为有效数据，共采集6个周期，即每种电导率分布模型有6个不同数据。
再进一步，所述步骤S2中，根据物场区域内目标物所处的位置和形状，得到每种电导率分布模型对应的真实电导率分布图，作为对应牛顿-拉夫逊电导率分布图的条件标签，将所有的数据图片进行预处理，转换成256*256的尺寸，这样有利于加快卷积神经网络的训练，有利于提高模型的精度，按照9：1的比例将数据集划分为训练集和测试集，训练集{xi,yi}i，xi表示第i对数据中由牛顿-拉夫逊算法得出的MIT电导率分布图，yi表示第i对数据中的真实电导率分布图。
所述步骤S3中，包括以下步骤：
S3-1：构建Deep-MIT生成对抗网络，Deep-MIT模型通过输入图像数据对进行训练，也以此来保证映射的一致性，生成模型的网络结构借鉴U-Net，主要用于医学分割上，该网络包含一个用于捕捉上下文语义信息的收缩路径(contractingpath)和一个用于精准定位的扩展路径(expanding path)，是一个端到端的网络，训练网络时，将牛顿-拉夫逊MIT电导率分布图xi作为网络的输入，首先经过卷积核尺寸为5*5的无填充卷积，每次卷积后都经过ReLU函数作用，以及尺寸为2*2，步长为2的max pooling来进行降采样，每次降采样，feature map变为原来的一半，channels变为原来的2倍，重复该步骤4次；而后进入扩展路径，经过5*5的反卷积，反卷积的output channels为原先的一半，feature map的长和宽加倍，再进行跳跃连接层方法，即将i层直接与第n-i层通过通道串接，n为总的层数，合并层会导致平移不变性，这对于减少重建过程中的位置偏差非常重要，最后经过两个尺寸为5*5的卷积及经过ReLU作用，重复该扩展网络步骤4次，生成器生成出真实电导率分布图yi的图像G(xi)，使得G(xi)≈yi；
S3-2：构建Deep-MIT生成对抗网络的判别网络，判别网络的任务与传统的生成对抗网络不同，不仅需要对由生成网络生成的图片和真实电导率图判断真假，还需判断该图片是否与输入的牛顿-拉夫逊MIT电导率分布图为对应图，因此将输入的电导率图与生成图像、真实的电导率图分别在第3通道进行拼接，然后一起作为输入判别器，其损失函数如下：
LGAN(G,D)＝Ex,y[logD(x,y)]+Ex[log(1-D(x,G(x)))]
其中x表示源域图像，y表示真实图像，G(x)为生成图像，D(x,y)表示判别网络判断真实图片是否真实的概率，而D(x,G(x))是判别网络判断生成网络生成的图片是否真实的概率；
另外加入了L1损失用来保证输入图像与输出图像之间的相似度，选择L1距离，是因为相比于L2，L1距离产生的模糊更小，L1损失函数如下：
LL1(G)＝Ex,y[||y-G(x)||1]
S3-3：Deep-MIT网络的生成网络和判别网络交替训练，使用Adam优化器，不但存储了过去梯度的平方vt的指数衰减平均值，也保持了过去梯度mt的指数衰减平均值：
mt＝β1mt-1+(1-β1)gt
Figure BDA0002325293490000041
如果mt和vt被初始化为0向量，那它们就会向0偏置，所以做了偏差校正，通过计算偏差校正后的mt和vt来抵消这些偏差：
Figure BDA0002325293490000051
Figure BDA0002325293490000052
梯度更新规则:
Figure BDA0002325293490000053
超参数设定值，β1＝0.9，β2＝0.999，∈＝10e-8。整个Deep-MIT网络的目标函数如下：
Figure BDA0002325293490000054
整个式子由两项构成，生成器G的目标是最小化LGAN(G,D)，判别器D目标是最大化LGAN(G,D)；λ为L1损失函数的权重，这里取λ＝100。
所述步骤4中，将测试集中的牛顿-拉夫逊电导率图输入训练模型中，生成出对应的深度电导率分布图。
本发明使用形心距和占空比来评价生成的电导率分布图的好坏，形心距是表征重建图像与参考图像之间位置偏差的具有物理意义的指标，公式如下：
Figure BDA0002325293490000055
上式中，(x″,y″)表示重建图像的形心坐标，(x*,y*)表示理论数据中的形心坐标，其中
Figure BDA0002325293490000056
k是像素块的个数，在MIT重建图像质量评估中，重建图像与参考图像的形心距越小，重建图像中目标物的位置偏差也就越小，则重建图像的质量也就越好。
占空比(Duty Circle,DC)表示在重建图像的整个物场区域中，某种介质的面积所占的百分比，本发明对占空比的计算是建立在二值图像上的，在二值化图像中，某种介质的占空比可以用该介质相应范围内的像素点个数与整个二值化图像的像素点个数之比来表示:
Figure BDA0002325293490000057
式中，S'表示某种介质相应范围内的像素点个数，S表示整个物场区域所有像素点个数，在MIT重建图像的质量评估中，相比于参考图像，重建图像某种介质的占空比越接近参考值，表示该重建图像的质量越好。
首先对所有的图片进行二值化和轮廓提取等预处理，提取目标物在二值图像中的轮廓信息，计算重建图像相应的评价指标。表1和表2分别为测试集中直径为45mm和38mm目标物的评价指标平均值。在表中，Deep-MIT表示本文提出的算法，NR表示牛顿-拉夫逊算法。
占空比 形心距
理论值 4.93％
NR 3.27％ 15.77
Deep-MIT 4.95％ 0.85
表1
占空比 形心距
理论值 3.14％
NR 6.72％ 15.63
Deep-MIT 3.12％ 1.86
表2
如上所述为本发明基于深度学习的磁感应断层成像优化方法的实施例介绍，本发明利用实验装置测得的训练数据，通过构建生成对抗网络得到训练模型，再使用训练模型对测试集进行相应的接近真实电导率分布图生成。本发明相比于传统方法，成像精度更高，去除了伪影，快速直接重建的过程提供低延迟的高质量图像，实现预期的实时成像。
以上所述，仅为本发明专利较佳的实施例，对本发明而言仅仅是说明性，而非限制性，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (7)

1.一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述方法包括以下步骤：
S1：获取数据，通过实验装置设备采集牛顿-拉夫逊MIT电导率分布图；
S2：数据处理，根据物场内导体所处的位置和形状得出真实电导率图；
S3：构建Deep-MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；
S4：将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。
2.如权利要求1中所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S1中，实验装置采用16通道的复用线圈MIT数据采集系统，实验装置为圆形物场，在此圆形区域内划分749个坐标，将以两个不同直径的实心橡胶棒的圆心为中心，分别放置于各个坐标点上，共有1498种电导率分布模型，通过实验装置的图像重构模块得到牛顿-拉夫逊电导率分布图，保存为PNG格式，考虑到实验装置中噪声对成像的影响，每个坐标采集20帧数据图片，并只选取第15帧的数据作为有效数据，共采集6个周期，即每种电导率分布模型有6个不同数据。
3.如权利要求1或2中所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S2中，根据物场区域内目标物所处的位置和形状，得到每种电导率分布模型对应的真实电导率分布图，作为对应牛顿-拉夫逊电导率分布图的条件标签，将所有的数据图片进行预处理，转换成256*256的尺寸，这样有利于加快卷积神经网络的训练，有利于提高模型的精度，按照9：1的比例将数据集划分为训练集和测试集，训练集{xi,yi}i，xi表示第i对数据中由牛顿-拉夫逊算法得出的MIT电导率分布图，yi表示第i对数据中的真实电导率分布图。
4.如权利要求1或2中所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S3包括以下步骤：
S3-1：构建Deep-MIT生成对抗网络的生成网络，借鉴U-Net的结构，生成网络包含一个用于捕捉上下文语义信息的收缩路径(contracting path)和一个用于精准定位的扩展路径(expanding path)，是一个端到端的网络，将源域图像xi作为网络的输入，经过生成网络，生成器生成出近似目标域y的图像G(xi)，使得G(xi)≈yi；
S3-2：构建Deep-MIT生成对抗网络的判别网络，判别网络的任务与传统的生成对抗网络不同，不仅需要对由生成网络生成的图片和真实电导率图判断真假，还需判断该图片是否与输入的牛顿-拉夫逊MIT电导率分布图为对应图，因此将输入的电导率图与生成图像、真实的电导率图分别在第3通道进行拼接，然后一起作为输入判别器，其损失函数如下：
LGAN(G,D)＝Ex,y[logD(x,y)]+Ex[log(1-D(x,G(x)))]
其中x表示源域图像，y表示真实图片像，G(x)为生成图像，D(x,y)表示判别网络判断真实图片是否真实的概率，而D(x,G(x))是判别网络判断生成网络生成的图片是否真实的概率；
另外加入了L1损失用来保证输入图像与输出图像之间的相似度，选择L1距离，是因为相比于L2，L1距离产生的模糊更小，L1损失函数如下：
Figure FDA0002325293480000011
S3-3：Deep-MIT网络的生成网络和判别网络交替训练，使用Adam优化器，整个Deep-MIT网络的目标函数如下：
Figure FDA0002325293480000021
整个式子由两项构成，生成器G的目标是最小化LGAN(G,D)，判别器D目标是最大化LGAN(G,D)；λ为L1损失函数的权重。
5.如权利要求4中所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S3-1中，生成网络将源域图像xi作为网络的输入，首先经过卷积核尺寸为5*5的无填充卷积，每次卷积后都经过ReLU函数作用，以及尺寸为2*2，步长为2的max pooling来进行降采样，每次降采样，feature map变为原来的一半，channels变为原来的2倍，重复该步骤4次；而后进入扩展路径，经过5*5的反卷积，反卷积的output channels为原先的一半，feature map的长和宽加倍，再进行跳跃连接层方法，即将i层直接与第n-i层通过通道串接，n为总的层数，合并层会导致平移不变性，这对于减少重建过程中的位置偏差非常重要，最后经过两个尺寸为5*5的卷积及经过ReLU作用，重复该扩展网络步骤4次，生成器生成出近似目标域y的图像G(xi)，使得G(xi)≈yi。
6.如权利要求4中所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S3-3中，使用Adam优化器，不但存储了过去梯度的平方vt的指数衰减平均值，也保持了过去梯度mt的指数衰减平均值：
mt＝β1mt-1+(1-β1)gt
Figure FDA0002325293480000022
如果mt和vt被初始化为0向量，那它们就会向0偏置，所以做了偏差校正，通过计算偏差校正后的mt和vt来抵消这些偏差：
Figure FDA0002325293480000023
Figure FDA0002325293480000024
梯度更新规则：
Figure FDA0002325293480000025
超参数设定值，β1＝0.9，β2＝0.999，∈＝10e-8。
7.如权利要求1或2所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S4中，将测试集中的牛顿-拉夫逊电导率图输入训练模型中，生成出对应的深度电导率分布图。
CN201911313917.6A 2019-12-19 2019-12-19 一种基于深度学习的磁感应断层成像优化方法 Active CN111192209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911313917.6A CN111192209B (zh) 2019-12-19 2019-12-19 一种基于深度学习的磁感应断层成像优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911313917.6A CN111192209B (zh) 2019-12-19 2019-12-19 一种基于深度学习的磁感应断层成像优化方法

Publications (2)

Publication Number Publication Date
CN111192209A true CN111192209A (zh) 2020-05-22
CN111192209B CN111192209B (zh) 2023-06-30

Family

ID=70710116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911313917.6A Active CN111192209B (zh) 2019-12-19 2019-12-19 一种基于深度学习的磁感应断层成像优化方法

Country Status (1)

Country Link
CN (1) CN111192209B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200306A (zh) * 2020-10-15 2021-01-08 北京航空航天大学 一种基于深度学习的电阻抗成像方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503801A (zh) * 2016-10-18 2017-03-15 天津工业大学 基于深度学习的电阻抗层析成像方法
CN108784697A (zh) * 2018-07-11 2018-11-13 天津工业大学 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
US20180325414A1 (en) * 2017-05-12 2018-11-15 Tech4Imaging Llc Electro-magneto volume tomography system and methodology for non-invasive volume tomography
CN109157215A (zh) * 2018-08-29 2019-01-08 中国医学科学院生物医学工程研究所 一种基于系统矩阵的磁感应磁声电导率图像重建方法
CN109674471A (zh) * 2018-12-18 2019-04-26 中国科学技术大学 一种基于生成对抗网络的电阻抗成像方法及系统
CN109859285A (zh) * 2019-01-25 2019-06-07 天津大学 基于空洞卷积网络的电阻抗图像重建方法
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
US20190369191A1 (en) * 2018-05-31 2019-12-05 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503801A (zh) * 2016-10-18 2017-03-15 天津工业大学 基于深度学习的电阻抗层析成像方法
US20180325414A1 (en) * 2017-05-12 2018-11-15 Tech4Imaging Llc Electro-magneto volume tomography system and methodology for non-invasive volume tomography
US20190369191A1 (en) * 2018-05-31 2019-12-05 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
CN108784697A (zh) * 2018-07-11 2018-11-13 天津工业大学 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
CN109157215A (zh) * 2018-08-29 2019-01-08 中国医学科学院生物医学工程研究所 一种基于系统矩阵的磁感应磁声电导率图像重建方法
CN109674471A (zh) * 2018-12-18 2019-04-26 中国科学技术大学 一种基于生成对抗网络的电阻抗成像方法及系统
CN109859285A (zh) * 2019-01-25 2019-06-07 天津大学 基于空洞卷积网络的电阻抗图像重建方法
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHIZUO KAJI ET AL.: "Overview of image-to-image translation by use of deep neural networks:denoising,super-resolution,modality conversion,and reconstruction in medical imaging" *
薛玉艳: "磁感应断层成像中图像重建算法的研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200306A (zh) * 2020-10-15 2021-01-08 北京航空航天大学 一种基于深度学习的电阻抗成像方法
CN112200306B (zh) * 2020-10-15 2022-09-27 北京航空航天大学 一种基于深度学习的电阻抗成像方法

Also Published As

Publication number Publication date
CN111192209B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Liu et al. Time sequence learning for electrical impedance tomography using Bayesian spatiotemporal priors
CN109102550B (zh) 基于卷积残差网络的全网络低剂量ct成像方法及装置
EP1163644B1 (en) Method and apparatus for image processing
CN110163809A (zh) 基于U-net生成对抗网络DSA成像方法及装置
CN103034989B (zh) 一种基于优质先验图像的低剂量cbct图像去噪方法
US11769237B2 (en) Multimodal medical image fusion method based on darts network
US11605162B2 (en) Systems and methods for determining a fluid and tissue volume estimations using electrical property tomography
Nguyen et al. 3D Unet generative adversarial network for attenuation correction of SPECT images
CN108038840B (zh) 一种图像处理方法、装置、图像处理设备及存储介质
CN111192209B (zh) 一种基于深度学习的磁感应断层成像优化方法
Ou et al. A sub-pixel accurate quantification of joint space narrowing progression in rheumatoid arthritis
Coatrieux et al. Future trends in 3D medical imaging
Malczewski PET image reconstruction using compressed sensing
Hinkle et al. 4D MAP image reconstruction incorporating organ motion
Balsiger et al. On the spatial and temporal influence for the reconstruction of magnetic resonance fingerprinting
CN111477304A (zh) 一种pet和mri图像相融合的肿瘤照射成像组合方法
Bian et al. DRIMET: Deep Registration-based 3D Incompressible Motion Estimation in Tagged-MRI with Application to the Tongue
CN115996668A (zh) 一种基于四维体表呼吸信号的非接触式四维成像方法和系统
US20220130048A1 (en) System and method for estimating motion of target inside tissue based on surface deformation of soft tissue
CN114569116A (zh) 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统
Suganthi et al. FMRI segmentation using echo state neural network
Gao et al. A dual adversarial calibration framework for automatic fetal brain biometry
Ramamoorthy et al. Monitoring the growth of polycystic ovary syndrome using mono-modal image registration technique: Application of medical big data in healthcare
Haddad et al. Post-processing for Thorax Imaging based on Electrical Impedance Tomography using Deep Learning
He et al. Helical mode lung 4D-CT reconstruction using Bayesian model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant