CN111948291B - 一种纳秒脉冲电场诱导热声成像的电导率重建方法 - Google Patents
一种纳秒脉冲电场诱导热声成像的电导率重建方法 Download PDFInfo
- Publication number
- CN111948291B CN111948291B CN202010173817.4A CN202010173817A CN111948291B CN 111948291 B CN111948291 B CN 111948291B CN 202010173817 A CN202010173817 A CN 202010173817A CN 111948291 B CN111948291 B CN 111948291B
- Authority
- CN
- China
- Prior art keywords
- network
- image
- conductivity
- target body
- thermal function
- 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.)
- Expired - Fee Related
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005684 electric field Effects 0.000 title claims abstract description 35
- 239000000523 sample Substances 0.000 claims abstract description 59
- 230000001939 inductive effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 69
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 10
- 238000002604 ultrasonography Methods 0.000 claims description 10
- 230000005236 sound signal Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 4
- 241000486463 Eugraphe sigma Species 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/024—Mixtures
- G01N2291/02475—Tissue characterisation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种纳秒脉冲电场诱导热声成像的电导率重建方法，属于热声成像检测领域，采用电极A和电机B激励纳秒脉冲电压信号；以非接触的形式在目标体内诱导产生电场；目标体吸收焦耳热产生热膨胀，进而激发超声信号；超声信号通过绝缘介质被分布在目标体周围的超声探头接收；超声探头接收到信号后通过信号处理器进行信号的放大和滤波；通过生成对抗网络，求解热声成像中的逆问题，重建电导率图像。还解决了逆问题求解时的非线性问题和信息丢失问题，提高了逆问题的求解精度和图重建质量，能够快速、精确的实现待测目标体的电导率图像重建。
Description
技术领域
本发明属于热声成像检测领域，尤其涉及的是一种生成对抗网络的纳秒脉冲电场诱导热声成像电导率重建方法。
背景技术
电磁场和超声相结合的多物理场成像技术，既保留了电磁场对人体组织电导率的高对比度，又具备超声波探测的高分辨率特性，成为了人们研究的热点。2013年，新加坡南洋理工大学的Feng首次提出了磁热声成像方法。其原理为：通过对导电目标体施加MHz量级的交变磁场，在目标体内部产生感应电场，进而产生焦耳热，激发热弹性的超声信号，检测超声信号进行成像。
与传统的微波热声成像相比，其允许更低的功率进行高效的成像，并且具有便携式成像的潜力。同时，激励源的频率降低，使得磁场能够更深地穿透组织，也避免了辐射。2013年Feng利用金属铜仿体，检测到磁热声信号，并得到铜仿体的热声图像。然而其并未进行电导率图像重建。并且，生物组织不同于金属铜仿体，磁场和感应电流作用产生的洛伦兹力较弱。
2014年，中国科学院电工研究所开展了磁热声成像方法研究，获得了低电导率目标体的热声信号并提出了重建电导率图像的方法。现有技术发现，直接向目标体注入微秒级的电流即可在目标体内产生一个电场。基于此，2016年中国科学院电工研究所提出了注入电流式热声成像方法。注入电流式热声成像原理为：通过注入电极向成像目标体注入电流，在成像目标体中产生焦耳热，引起热膨胀，产生超声信号。采用超声换能器进行检测，根据检测的超声信号，重建热声源和电导率。
相对于磁热声成像，注入式热声成像忽略掉了磁声效应的干扰，且采用注入电流式激励，可增强热声效应，实现目标体电导率图像的精确重建。但注入电流式热声成像，需要极板与目标体直接接触。生物体接触面会因为接触电阻而产生大量焦耳热，以致损坏目标体。这既影响了成像效果，又难以推广到医学成像领域。并且，目前重建电导率图像的方法多为迭代方法，往往需要多重迭代，费时又费力，与需要立等可取的生物检测领域相悖。
发明内容
本发明为了解决现有技术需要电极板与目标体直接接触，无法快速检测并重建电导率图像的问题，本发明提供一种采用纳秒脉冲热声成像方法，通过生成对抗网络，求解热声成像中的逆问题，重建电导率图像。
该方法的优选方案还解决了逆问题求解时的非线性问题和信息丢失问题，提高了逆问题的求解精度和图重建质量，能够快速、精确的实现待测目标体的电导率图像重建。
本发明提供的技术方案如下：
一种纳秒脉冲电场诱导热声成像的电导率重建方法，具体的，
纳秒脉冲电场诱导热声成像中，采用电极A和电机B激励纳秒脉冲电压信号；以非接触的形式在目标体内诱导产生电场；目标体吸收焦耳热产生热膨胀，进而激发超声信号；超声信号通过绝缘介质被分布在目标体周围的超声探头接收；超声探头接收到信号后通过信号处理器进行信号的放大和滤波，经数据采集系统采集后进行存储；通过生成对抗网络对信号进行处理，完成热函数图像到电导率图像的转换，以及超声探头接收到的声信号图像到热函数图像的转换。
重建电导率图像的方法步骤更优选包括：
1)获取纳秒脉冲热声成像正演数据：
利用脉冲激励源，通过电极A、B透过无空隙的绝缘介质，在目标体中诱导产生电场，目标体吸收焦耳热进而热膨胀，产生超声信号，通过绝缘介质被周围的超声探头捕捉；通过信号处理器进行信号的放大和滤波，经数据采集系统采集后进行存储。
信号处理器的信号处理方法优选包括：
①在目标体区域内，满足安培定律：
其中，
是哈密尔顿算子，J是电流密度，j是虚数单位，E是电场强度，D是电位移矢量，t是时间，ω是频率，ε是介电常数，σ是电导率；σ*表示复电导率，由于绝缘介质中电导率为0，目标体中介电常数相对于电导率大小能够忽略不计，由此在绝缘介质能够忽略σ*的实部，在目标体中能够忽略σ*的虚部，即σ*＝σ；
②由于目标体内中的电场是通过电解质感应产生的，采用电准静态近似，纳秒脉冲电场诱导热声成像能够描述为：
其中，
是电标位，U为上极板的电压，r为区域，∈表示属于关系，Σ1为高压电极板所在平面，Σ2为无限大的平面，Σ3-6为无穷远处的平面，n是边界的法向单位矢量；
③通过上式能够求得目标区域电标位
进而目标区域内的电场强度能够描述为：
目标体内的电流密度J为：
J＝σE (4)
由于有电流经过，目标体会吸收焦耳热，热函数H为
H(r,t)＝σE2(r,t) (5)
④通过上式能够构建出热函数图像H(r,t)，目标体吸收焦耳热膨胀会产生超声信号，声压满足的波动方程为
其中，p为目标体激发的声源图像，c0为声速，β为体积膨胀系数，Cp为比热容；
⑤通过上式能够由H(r,t)获得目标体激发的声源图像p，由感应式热声成像可知超声探头接收到的热声信号p1(rd,t)为超声换能器位置的声压p(r,t)与超声探头的脉冲响应函数h(t)的卷积，即
2)构建网络模型：
搭建生成的对抗网络，由生成网络和判别网络两个网络组成，其中生成网络的输入为一张图片A，A为热函数图像，通过生成网络后输出一张图片A1，A1为目标体的电导率图像；判别网络的输入是生成网络输出的图片A1和图片A，判别网络在图片A的条件下判断生成的图片真假，若为真，则输出图片A1即为B，通过这个生成网络最终能够实现图片A到图片B的转换，即热函数图像到电导率图像的转换，如果将输入图像改为超声探头接收到的声信号图像，输出改为目标体的热函数图像，则完成了超声探头接收到的声信号图像到热函数图像的转换。
生成网络G优选采用U-Net结构，由四个卷积层和四个反卷积层构成。
更优选的，网络输入的图片大小为64*64，第一个卷积层，输出尺度为[1,16,16,64]，第二个卷积层，输出尺度为[1,4,4,128]，第三个卷积层，输出尺度[1,4,4,256]，第四个卷积层，输出尺度为[1,1,1,512]；第一个反卷积层，输出尺度[1,4,4,256]，第二个反卷积层，输出尺度[1,4,4,128]，第三个反卷积层，输出尺度[1,16,16,64]，第四个反卷积层，输出尺度[1,64,64,1]。
为了能更好得对图像的局部做判断，判别网络D优选采用patchGAN结构，亦即把图像等分成多个固定大小的Patch(即区块)，分别判断每个的真假，最后再取平均值作为判别网络D最后的输出。
3)训练网络模型：
a.由公式(4)、(5)可知，由目标体的热函数H求解电导率σ是一个高阶非线性问题，以手写数字集作为电导率图像，通过正演公式得到目标体的热函数图像；以热函数图像H作为网络的输入，电导率图像σ作为网络的输出，输入到网络中进行训练，训练好的网络能够完成热函数图像到电导率图像的转换，实现由热函数H求解电导率σ的高阶非线性问题，完成了网络1的搭建；
b.由公式(7)可知，超声探头接收到的声信号p1为声源在超声探头处的声压p(rd,t)与超声探头频带特性的卷积，由公式(6)能够利用滤波反投影的方法通过热函数H求得声源p，再由声源p通过公式(7)求得超声探头处声信号p1；训练网络时，将声信号p1作为网络的输入，热函数H作为网络的输出，训练完成后能够实现声信号p1到热函数H的转换，完成了网络2的搭建；
c.将网络1、网络2级联组成一个总网络，最终实现的是将超声探头声信号输入到网络中，输出一个电导率图像。
4)重建图像：
利用数字样本集训练好网络后，此时网络能够对其他未经训练的各种形状的图像进行重建：
①将未经过训练的热函数图像输入到网络1中，训练好的网络已经学习到热函数分布和电导率分布的关系，输入未训练过的热函数分布时，网络1会根据之前训练的数据输出一个电导率图像；
②将未训练过的超声探头接收的声信号图像输入到网络2中，训练好的网络2学习了超声探头接收的声信号图像和热函数图像之间的关系，输入超声探头接收的声信号后会输出热函数图像；
③将网络1和网络2级联组成总网络，声信号输入到总网络中去，最后输出电导率图像。
本发明综合技术方案及综合效果包括：
1、通过脉冲电压激励目标体产生的焦耳热重建目标体电导率图像，由于目标体的电导率不同，激发的焦耳热也不同，热函数与电导率之间是一个高阶非线性问题，传统的迭代方法求解往往需要多重迭代。而深度学习在解决高阶非线性问题中有着独特的优势，本发明首次将生成对抗网络应用到电导率图像重建中，提高了电导率重建图像的精度和速度。
2、由磁感应热声成像可知超声探头接收到的信号是目标体热膨胀产生的超声信号和超声探头频带特性的卷积，这导致由超声探头接收信号重建的声源图像只有边界，内部声源信息丢失，本发明利用生成对抗网络通过超声探头接收信号重建目标体热膨胀产生的声信号。
附图说明
图1为本发明实施例纳秒脉冲电场诱导热声成像的电导率重建方法中的装置结构示意图。
图2为本发明实施例纳秒脉冲电场诱导热声成像的电导率重建方法中的网络模型结构示意图。
图3为本发明实施例纳秒脉冲电场诱导热声成像的电导率重建方法中的生成网络结构示意图。
图4本发明实施例纳秒脉冲电场诱导热声成像的电导率重建方法中，热函数图像和超声探头接收到的声信号图像及其构建网络的输入和输出结果图，其中，(a)电导率图像,(a1)热函数网络输入,(a2)电导率网络输出,(b)声源图像,(b1)声源网络输入,(b2)声源网络输出。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明。
实施例
一种纳秒脉冲电场诱导热声成像的电导率重建方法，具体的，
如图1所示，纳秒脉冲电场诱导热声成像中，采用电极A和电机B激励纳秒脉冲电压信号；以非接触的形式在目标体内诱导产生电场；目标体吸收焦耳热产生热膨胀，进而激发超声信号；超声信号通过绝缘介质被分布在目标体周围的超声探头接收；超声探头接收到信号后通过信号处理器进行信号的放大和滤波，经数据采集系统采集后进行存储；通过生成对抗网络对信号进行处理，完成热函数图像到电导率图像的转换，以及超声探头接收到的声信号图像到热函数图像的转换。重建电导率图像的方法步骤包括：
1)获取纳秒脉冲热声成像正演数据：
利用脉冲激励源，通过电极A、B透过无空隙的绝缘介质，在目标体中诱导产生电场，目标体吸收焦耳热进而热膨胀，产生超声信号，通过绝缘介质被周围的超声探头捕捉；通过信号处理器进行信号的放大和滤波，经数据采集系统采集后进行存储。其中，信号处理器的信号处理方法包括：
①在目标体区域内，满足安培定律：
其中，
是哈密尔顿算子，J是电流密度，j是虚数单位，E是电场强度，D是电位移矢量，t是时间，ω是频率，ε是介电常数，σ是电导率；σ*表示复电导率，由于绝缘介质中电导率为0，目标体中介电常数相对于电导率大小能够忽略不计，由此在绝缘介质能够忽略σ*的实部，在目标体中能够忽略σ*的虚部，即σ*＝σ；
②由于目标体内中的电场是通过电解质感应产生的，采用电准静态近似，纳秒脉冲电场诱导热声成像能够描述为：
其中，
是电标位，U为上极板的电压，r为区域，∈表示属于关系，Σ1为高压电极板所在平面，Σ2为无限大的平面，Σ3-6为无穷远处的平面，n是边界的法向单位矢量；
③通过上式能够求得目标区域电标位
进而目标区域内的电场强度能够描述为：
目标体内的电流密度J为：
J＝σE (4)
由于有电流经过，目标体会吸收焦耳热，热函数H为
H(r,t)＝σE2(r,t) (5)
④通过上式能够构建出热函数图像H(r,t)，目标体吸收焦耳热膨胀会产生超声信号，声压满足的波动方程为
其中，p为目标体激发的声源图像，c0为声速，β为体积膨胀系数，Cp为比热容；
⑤通过上式能够由H(r,t)获得目标体激发的声源图像p，由感应式热声成像可知超声探头接收到的热声信号p1(rd,t)为超声换能器位置的声压p(r,t)与超声探头的脉冲响应函数h(t)的卷积，即
2)构建网络模型：
如图2所示，搭建生成的对抗网络，由生成网络和判别网络两个网络组成，其中生成网络的输入为一张图片A，A为热函数图像，通过生成网络后输出一张图片A1，A1为目标体的电导率图像；判别网络的输入是生成网络输出的图片A1和图片A，判别网络在图片A的条件下判断生成的图片真假，若为真，则输出图片A1即为B，通过这个生成网络最终能够实现图片A到图片B的转换，即热函数图像到电导率图像的转换，如果将输入图像改为超声探头接收到的声信号图像，输出改为目标体的热函数图像，则完成了超声探头接收到的声信号图像到热函数图像的转换。
生成网络G采用U-Net结构，由四个卷积层和四个反卷积层构成。
如图3所示，其中网络输入的图片大小为64*64，第一个卷积层，输出尺度为[1,16,16,64]，第二个卷积层，输出尺度为[1,4,4,128]，第三个卷积层，输出尺度[1,4,4,256]，第四个卷积层，输出尺度为[1,1,1,512]；第一个反卷积层，输出尺度[1,4,4,256]，第二个反卷积层，输出尺度[1,4,4,128]，第三个反卷积层，输出尺度[1,16,16,64]，第四个反卷积层，输出尺度[1,64,64,1]。
为了能更好得对图像的局部做判断，判别网络D采用patchGAN结构，亦即把图像等分成多个固定大小的Patch(即区块)，分别判断每个的真假，最后再取平均值作为判别网络D最后的输出。
本优选方案能使输入变小，计算量小，训练速度快；而且因为生成网络G本身是全卷积的，对图像尺度没有限制。而判别网络D如果是按照Patch去处理图像，也对图像大小没有限制。因此，本优选方案能让整个框架对图像大小没有限制，增大了框架的扩展性。
3)训练网络模型：
a.由公式(4)、(5)可知，由目标体的热函数H求解电导率σ是一个高阶非线性问题，以手写数字集作为电导率图像，通过正演公式得到目标体的热函数图像；以热函数图像H作为网络的输入，电导率图像σ作为网络的输出，输入到网络中进行训练，训练好的网络能够完成热函数图像到电导率图像的转换，实现由热函数H求解电导率σ的高阶非线性问题，完成了网络1的搭建；
b.由公式(7)可知，超声探头接收到的声信号p1为声源在超声探头处的声压p(rd,t)与超声探头频带特性的卷积，由公式(6)能够利用滤波反投影的方法通过热函数H求得声源p，再由声源p通过公式(7)求得超声探头处声信号p1；训练网络时，将声信号p1作为网络的输入，热函数H作为网络的输出，训练完成后能够实现声信号p1到热函数H的转换，完成了网络2的搭建；
c.将网络1、2级联组成一个总网络，最终实现的是将超声探头声信号输入到网络中，输出一个电导率图像。
4)重建图像：
利用数字样本集训练好网络后，此时网络能够对其他未经训练的各种形状的图像进行重建：
①将未经过训练的热函数图像输入到网络1中，训练好的网络已经学习到热函数分布和电导率分布的关系，输入未训练过的热函数分布时，网络1会根据之前训练的数据输出一个电导率图像；
②将未训练过的超声探头接收的声信号图像输入到网络2中，训练好的网络2学习了超声探头接收的声信号图像和热函数图像之间的关系，输入超声探头接收的声信号后会输出热函数图像；
③将网络1和网络2级联组成总网络，声信号输入到总网络中去，最后输出电导率图像。
下面是在纳秒脉冲热声成像中，将热函数图像和超声探头接收到的声信号图像输入到网络中的输出结果。
通过图4结果能够发现，输入一个不均匀的热函数图像进入网络当中，网络会输出一个均匀的电导率图像，且其分布与真实的声源图像吻合度十分高，这证明了我们训练的网络对于电导率重建具有十分好的效果。在网络二中，输入的超声探头接收到的声信号图像只在目标体边界处具有声源值，将其输入到网络二中后，网络二会输出一个声源图像，这个声源图像在目标体内部也具有声源值，且其分布符合真实声源的分布。
由于热声成像中电导率重建是一个高阶非线性问题，以前的方法重建电导率需要多重迭代，费时又费力，且重建精度不高，经实验验证，本发明用于解决热声成像逆问题时出现的高阶非线性问题，首次将生成对抗网络应用到热声成像领域来解决电导率重建问题，与传统的迭代算法相比，生成对抗网络不需要多重迭代，大大降低了计算量，具有更高的速度，并且具有更高的重建精度。
虽然本发明已作了详细描述，但对本领域技术人员来说，在本发明精神和范围内的修改将是显而易见的。此外，应当理解的是，本发明记载的各方面、不同具体实施方式的各部分、和列举的各种特征可被组合或全部或部分互换。在说明书的各个具体实施方式中，那些参考另一个具体实施方式的实施方式可适当地与其它实施方式组合，这是将由本领域技术人员所能理解的。此外，本领域技术人员将会理解，前面的描述仅是示例的方式，并不旨在限制本发明。
Claims (7)
1.一种纳秒脉冲电场诱导热声成像的电导率重建方法，其特征在于，
纳秒脉冲电场诱导热声成像中，采用电极A和电机B激励纳秒脉冲电压信号；透过无空隙的绝缘介质在目标体内诱导产生电场；目标体吸收焦耳热产生热膨胀，进而激发超声信号；超声信号通过绝缘介质被分布在目标体周围的超声探头接收；超声探头接收到信号后通过信号处理器进行信号的放大和滤波，经数据采集系统采集后进行存储；通过生成对抗网络对信号进行处理，完成热函数图像到电导率图像的转换，以及超声探头接收到的声信号图像到热函数图像的转换；
重建电导率图像的方法步骤包括：
1)获取纳秒脉冲热声成像正演数据：
利用脉冲激励源，通过电极A、B透过无空隙的绝缘介质，在目标体中诱导产生电场，目标体吸收焦耳热进而热膨胀，产生超声信号，通过绝缘介质被周围的超声探头捕捉；通过信号处理器进行信号的放大和滤波，经数据采集系统采集后进行存储；
2)构建网络模型：
搭建生成的对抗网络，由生成网络和判别网络两个网络组成，其中生成网络的输入为一张图片A，A为热函数图像，通过生成网络后输出一张图片A1，A1为目标体的电导率图像；判别网络的输入是生成网络输出的图片A1和图片A，判别网络在图片A的条件下判断生成的图片真假，若为真，则输出图片A1即为B，通过这个生成网络最终能够实现图片A到图片B的转换，即热函数图像到电导率图像的转换，如果将输入图像改为超声探头接收到的声信号图像，输出改为目标体的热函数图像，则完成了超声探头接收到的声信号图像到热函数图像的转换。
2.根据权利要求1所述的电导率重建方法，其特征在于，信号处理器的信号处理方法包括：
①在目标体区域内，满足安培定律：
其中，
是哈密尔顿算子，J是电流密度，j是虚数单位，E是电场强度，D是电位移矢量，t是时间，ω是频率，ε是介电常数，σ是电导率；σ*表示复电导率，由于绝缘介质中电导率为0，目标体中介电常数相对于电导率大小能够忽略不计，由此在绝缘介质能够忽略σ*的实部，在目标体中能够忽略σ*的虚部，即σ*＝σ；
②由于目标体内中的电场是通过电解质感应产生的，采用电准静态近似，纳秒脉冲电场诱导热声成像能够描述为：
其中，
是电标位，U为上极板的电压，r为区域，∈表示属于关系，Σ1为高压电极板所在平面，Σ2为无限大的平面，Σ3-6为无穷远处的平面，n是边界的法向单位矢量；
③通过上式能够求得目标区域电标位
进而目标区域内的电场强度能够描述为：
目标体内的电流密度J为：
J＝σE (4)
由于有电流经过，目标体会吸收焦耳热，热函数H为
H(r,t)＝σE2(r,t) (5)
④通过上式能够构建出热函数图像H(r,t)，目标体吸收焦耳热膨胀会产生超声信号，声压满足的波动方程为
其中，p为目标体激发的声源图像，c0为声速，β为体积膨胀系数，Cp为比热容；
⑤通过上式能够由H(r,t)获得目标体激发的声源图像p，由感应式热声成像可知超声探头接收到的热声信号p1(rd,t)为超声换能器位置的声压p(r,t)与超声探头的脉冲响应函数h(t)的卷积，即
3.根据权利要求2所述的电导率重建方法，其特征在于，重建电导率图像的方法步骤还包括：
3)训练网络模型：
a.由公式(4)、(5)可知，由目标体的热函数H求解电导率σ是一个高阶非线性问题，以手写数字集作为电导率图像，通过正演公式得到目标体的热函数图像；以热函数图像H作为网络的输入，电导率图像σ作为网络的输出，输入到网络中进行训练，训练好的网络能够完成热函数图像到电导率图像的转换，实现由热函数H求解电导率σ的高阶非线性问题，完成了网络1的搭建；
b.由公式(7)可知，超声探头接收到的声信号p1为声源在超声探头处的声压p(rd,t)与超声探头频带特性的卷积，由公式(6)能够利用滤波反投影的方法通过热函数H求得声源p，再由声源p通过公式(7)求得超声探头处声信号p1；训练网络时，将声信号p1作为网络的输入，热函数H作为网络的输出，训练完成后能够实现声信号p1到热函数H的转换，完成了网络2的搭建；
c.将网络1、网络2级联组成一个总网络，最终实现的是将超声探头声信号输入到网络中，输出一个电导率图像。
4.根据权利要求3所述的电导率重建方法，其特征在于，重建电导率图像的方法步骤还包括：
4)重建图像：
利用数字样本集训练好网络后，此时网络能够对其他未经训练的各种形状的图像进行重建：
①将未经过训练的热函数图像输入到网络1中，训练好的网络已经学习到热函数分布和电导率分布的关系，输入未训练过的热函数分布时，网络1会根据之前训练的数据输出一个电导率图像；
②将未训练过的超声探头接收的声信号图像输入到网络2中，训练好的网络2学习了超声探头接收的声信号图像和热函数图像之间的关系，输入超声探头接收的声信号后会输出热函数图像；
③将网络1和网络2级联组成总网络，声信号输入到总网络中去，最后输出电导率图像。
5.根据权利要求1所述的电导率重建方法，其特征在于，在步骤2)中，生成网络G采用U-Net结构，由四个卷积层和四个反卷积层构成。
6.根据权利要求5所述的电导率重建方法，其特征在于，网络输入的图片大小为64*64，第一个卷积层，输出尺度为[1,16,16,64]，第二个卷积层，输出尺度为[1,4,4,128]，第三个卷积层，输出尺度[1,4,4,256]，第四个卷积层，输出尺度为[1,1,1,512]；第一个反卷积层，输出尺度[1,4,4,256]，第二个反卷积层，输出尺度[1,4,4,128]，第三个反卷积层，输出尺度[1,16,16,64]，第四个反卷积层，输出尺度[1,64,64,1]。
7.根据权利要求1所述的电导率重建方法，其特征在于，在步骤2)中，判别网络D采用patchGAN结构，亦即把图像等分成多个固定大小的区块，分别判断每个的真假，最后再取平均值作为判别网络D最后的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010173817.4A CN111948291B (zh) | 2020-03-13 | 2020-03-13 | 一种纳秒脉冲电场诱导热声成像的电导率重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010173817.4A CN111948291B (zh) | 2020-03-13 | 2020-03-13 | 一种纳秒脉冲电场诱导热声成像的电导率重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111948291A CN111948291A (zh) | 2020-11-17 |
| CN111948291B true CN111948291B (zh) | 2021-05-11 |
Family
ID=73337034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010173817.4A Expired - Fee Related CN111948291B (zh) | 2020-03-13 | 2020-03-13 | 一种纳秒脉冲电场诱导热声成像的电导率重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111948291B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112443314B (zh) * | 2020-11-23 | 2023-09-26 | 中国科学院电工研究所 | 一种测井方法及测井装置 |
| CN112694974B (zh) * | 2020-11-26 | 2023-02-10 | 中国石油大学(华东) | 针对纳秒脉冲电场消融动态监测系统构建及监测方法 |
| CN114532983B (zh) * | 2022-01-17 | 2023-12-29 | 中国科学院电工研究所 | 一种磁声成像系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107064302B (zh) * | 2017-02-20 | 2019-10-11 | 中国科学院电工研究所 | 一种注入电流式热声成像电导率重建方法 |
| CN110333294A (zh) * | 2019-08-13 | 2019-10-15 | 中国石油大学(华东) | 一种注入电流式热声成像方法 |
-
2020
- 2020-03-13 CN CN202010173817.4A patent/CN111948291B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN111948291A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111948291B (zh) | 一种纳秒脉冲电场诱导热声成像的电导率重建方法 | |
| CN107064302B (zh) | 一种注入电流式热声成像电导率重建方法 | |
| Caorsi et al. | Detection of buried inhomogeneous elliptic cylinders by a memetic algorithm | |
| Ambrosanio et al. | Machine learning for microwave imaging | |
| CN109157215A (zh) | 一种基于系统矩阵的磁感应磁声电导率图像重建方法 | |
| CN104473640B (zh) | 一种磁热声成像的电导率重建方法 | |
| CN106859600B (zh) | 基于建立标准值的声电成像方法 | |
| CN106580249B (zh) | 一种注入电流式热声成像方法 | |
| Sun et al. | Optimization of multi-angle magneto-acousto-electrical tomography (MAET) based on a numerical method | |
| CN106885842B (zh) | 一种注入电流式热声成像电阻率重建方法 | |
| Deng et al. | Image quality improvement of magneto-acousto-electrical tomography with Barker coded excitation | |
| CN104434099A (zh) | 利用线性双旋度方程进行磁热声成像的电阻率重建方法 | |
| CN111887807B (zh) | 一种纳秒脉冲电场诱导热声信号处理方法及系统 | |
| CN107049315B (zh) | 基于最优化迭代方法的注入电流式热声电阻率图像重建方法 | |
| CN106361278A (zh) | 一种单次激励的感应式磁声快速成像方法 | |
| CN111260742B (zh) | 一种电阻抗成像方法及装置 | |
| Yang et al. | Conductivity reconstruction for magnetically mediated thermoacoustic imaging | |
| Song et al. | Multiple back projection with impact factor algorithm based on circular scanning for microwave-induced thermoacoustic tomography | |
| CN106910171B (zh) | 基于直接迭代的注入电流式热声电导率图像重建方法 | |
| Rekanos | Inverse scattering in the time domain: An iterative method using an FDTD sensitivity analysis scheme | |
| Ambrosanio et al. | Artificial Neural Networks for Quantitative Microwave Breast Imaging. | |
| Zhang et al. | Difference sensitivity matrix constructed for ultrasound modulated electrical resistance tomography | |
| Alzuhiri et al. | Enhanced pulsed thermoacoustic imaging by noncoherent pulse compression | |
| Li et al. | Magnetically mediated thermoacoustic imaging with single coil based on non-uniform magnetic field excitation | |
| Autorino et al. | Deep Learning Strategies for Quantitative Biomedical Microwave Imaging |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |