CN113781600B - 一种基于深度学习的电阻抗成像形状重建方法 - Google Patents
一种基于深度学习的电阻抗成像形状重建方法 Download PDFInfo
- Publication number
- CN113781600B CN113781600B CN202111038002.6A CN202111038002A CN113781600B CN 113781600 B CN113781600 B CN 113781600B CN 202111038002 A CN202111038002 A CN 202111038002A CN 113781600 B CN113781600 B CN 113781600B
- Authority
- CN
- China
- Prior art keywords
- boundary
- target object
- shape
- neural network
- control point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003384 imaging method Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001788 irregular Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000002593 electrical impedance tomography Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的电阻抗成像形状重建方法,包括:使用有限元方法,对背景区域以三角形为单元进行剖分;在背景区域内设置控制点向量,采用B样条闭合曲线生成方法得到背景区域内目标物体的边界形状及其位置;在背景阻抗值为σ0的情况下,设置不同目标物体的阻抗值,使用有限元法计算边界电压值;将边界电压值作为神经网络的输入,不同目标物体的阻抗值和控制点向量作为神经网络的输出,得到神经网络模型的训练数据集,建立EIT深度学习网络模型;将被测区域的边界电压值输入到训练好的神经网络模型,输出被测区域物体的阻抗值以及控制点向量,进而重建被测区域内目标物体边界形状及其位置。
Description
技术领域
本发明涉及一种基于深度学习的电阻抗成像形状重建方法,属于电阻抗成像医疗领域。
背景技术
电阻抗成像(Electrical Impedance Tomography,简称EIT)技术是近二十多年来出现的一种新型无损伤成像技术。EIT技术是依据人体不同器官组织在不同的生理以及病理状态下,反映出不同的电阻抗信息特征。通过给人体施加安全激励电流或电压,再经过各种重建算法求得人体内部的电导率信息,从而重建人体内部电导率及变化的图像。
在电阻抗成像EIT技术中,图像重建算法是很关键的技术部分。迄今为止,EIT的重建方法主要有两大类:基于像素的图像重建和基于形状的图像重建。基于像素的图像重建方法是一种将噪声数据作为逆问题介质的图像重建方法。与基于像素的重建方法相比,基于形状的图像重建法具有直接将目标物体形状、大小等信息纳入图像重建框架的优点,从而将形状重建问题转化为求关于目标物体控制点的逆问题。此方法能够提高重建图像的清晰度和进一步精确目标物体的边界形状。
神经网络是近年来人工智能领域兴起的很热门的研究课题,它是一种基于大量的神经元节点之间互相连接构成的运算模型。神经网络能对自然界的某种算法或函数进行取值逼近,理论上来说,它能够逼近任意的非线性函数,可以简化很多繁琐非常规问题的计算。EIT成像问题实质上就是一个非线性的逆问题,因此神经网络能够作为解决EIT成像逆问题的一种新型解决方法。
发明内容
本发明为解决现有技术中存在的上述问题,一种基于深度学习的电阻抗成像形状重建方法。
本发明为解决上述技术问题采用以下技术方案:
一种基于深度学习的电阻抗成像形状重建方法,所述方法步骤如下:
S1:使用有限元方法,对背景区域以三角形为单元进行剖分;在背景区域内设置控制点向量,采用B样条闭合曲线生成方法得到背景区域内目标物体的边界形状及其位置;
S2:在背景阻抗值为σ0的情况下,设置不同目标物体的阻抗值,通过电阻抗正问题使用有限元法计算得到边界电压值;
S3:将边界电压值作为神经网络的输入,不同目标物体的阻抗值和控制点向量作为神经网络的输出,得到神经网络模型的训练数据集,建立EIT深度学习网络模型,从而确立边界电压值和目标物体的阻抗值、控制点向量值之间的映射关系;
S4:将被测区域的边界电压值输入到训练好的神经网络模型,输出被测区域物体的阻抗值以及控制点向量,进而重建被测区域内目标物体边界形状及其位置。
进一步,所述S1步骤中,在背景区域内设置多个目标物体的控制点向量,采用B样条闭合曲线生成方法得到闭合边界曲线,若某个单元的中心在闭合边界曲线内部或在闭合边界曲线上,则该单元属于目标物体,否则不属于,从而得到目标物体的边界形状及其位置;其中闭合边界形状包括三角形、圆形、正方形、不规则图形。
进一步,在背景区域内,首先设置垂直于x轴方向的随机长度的线段作为圆直径,取其两端点作为圆边界的起点和终点;其次,在起点和终点之间,沿顺时针和逆时针方向各随机均匀生成5个点;再次,以起点,终点,随机生成的10个点作为控制点,利用B样条闭合曲线生成方法画出形状为圆形的边界闭合曲线;最后,若某个单元的中心到圆心的距离小于或等于圆形的半径,则该单元属于目标物体,否则不属于,从而得到目标物体的边界形状及其位置。
进一步,在背景区域内,首先,随机设置一条线段作为三角形的一条边,并记端点分别为顶点A和B;其次,以A为圆心将这条边随机顺时针或逆时针旋转,作为三角形的第二条边,同时得到顶点C的坐标;再次,在边AB、AC、BC上分别随机均匀生成3个点,与三个顶点一起作为控制点,利用B样条闭合曲线生成方法画出形状为三角形的边界闭合曲线;最后,若某个单元的中心在边界闭合曲线内部或在边界闭合曲线上,则该单元属于目标物体,否则不属于,从而得到目标物体的边界形状及其位置。
进一步,将边界电压值的数目作为神经网络的输入层节点数,不同目标物体的阻抗值和控制点向量作为神经网络的输出层节点数,隐藏层节点数根据“隐藏层个数不应大于输入层个数的两倍”的规则来确定,从而建立边界测量电压值,不同目标物体阻抗值和对应控制点向量值之间的映射关系。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、这种基于深度学习的电阻抗成像形状重建方法,主要基于B样条曲线的形状重构框架,生成得到背景区域内不同目标物体的形状,其中包括三角形、圆形、正方形和任意不规则图形等,直接将丰富的几何信息整合到图像重建中,从而将形状重建问题转化为求关于目标物体控制点的逆问题;
2、本发明采用深度学习方法进行电阻抗成像逆问题的图像重建,将边界电压值作为神经网络的输入,不同目标物体的阻抗值和控制点向量作为神经网络的输出,得到神经网络模型的训练数据集,建立边界测量电压值,不同目标物体的阻抗值和控制点向量值之间的映射关系,不断迭代优化各网络层参数,得到最优的深度学习网络模型,经过高精度、抗噪强的神经网络的训练,对于实测数据有很好的适应性,边界形状成像质量较高,成像效率较传统迭代方法也有一定的改善。
附图说明
图1是本发明的基于深度学习的电阻抗成像形状重建方法的流程图;
图2是本发明生成的一个不同形状大小的边界图形实施例。
具体实施方式
本发明的目的、优点和特点,将通过下面优选实例的非限制性说明进行图示和解释。这些实例仅是应用本发明技术方案的典型范例,凡采取等同替换或者等效变换而形成的技术方案,均落在本发明要求保护的范围之内。
在本发明实施例中,提出一种基于深度学习的电阻抗成像形状重建方法,具体操作流程参阅图1,所述方法包括以下步骤:
S11、使用有限元方法,对背景区域以三角形为单元进行剖分。
S12、在背景区域内模拟生成不同形状、大小的目标物体。设置目标物体的个数为Nc,每个目标物体控制点数目为NP=n+1。
S13、给定n+1个控制点
设U={u0,u1,...,um}是一个非递减数的集合根据Cox-de Boor递归公式,定义第i个k次B样条基函数,记为Ni,k(u)。
故B样条曲线可以用控制点序列和一个节点向量U={u0,u1,...,um}表示,即
把方程(3)简化成矩阵形式为
C=NP (4)
公式(4)里面的矩阵是由一系列B样条基函数组成的矩阵。
其中的线性组合为节点向量(0<=u0<u1<...<um<=1且m是正整数),矩阵/>为目标物体边界的控制点向量。(一曲线序列的控制点数为n+1个,节点向量的节点数为m+1个,幂次为p。注意n,m和p三者关系须满足m=n+p+1)
S14、采用B样条闭合曲线生成方法得到被测区域内目标物体的形状,即对Np个控制点进行操作,保证前k个控制点和后k个控制点对应相等;利用B样条曲线公式C=NP(N是B样条基函数,P为控制点向量的线性组合),得到不同目标物体的B样条边界闭合曲线C,其中边界形状包括三角形、圆形、正方形、任意不规则图形等。
S15、对生成不同形状的边界形状进行详细描述:
具体地,随机选择目标物体的个数,依次随机选定要生成的仿真目标物体的形状,生成仿真目标物体的形状可为圆形、三角形、正方形或不规则图形。根据有限元划分的单元编号,选取包含在物体形状内的单元,这些单元就构成了所生成的仿真目标物体,如图2所示。
(1)若生成的仿真目标物体是圆形,在背景区域内先设置垂直于x轴方向的随机长度的线段作为圆直径,取其两端点作为圆边界的起点和终点,其次,起末点之间,顺时针和逆时针方向各随机均匀生成5个点,共设置12个控制点坐标,从而也可以确定圆心坐标和圆的半径r,最后利用B样条闭合曲线生成方法画出形状为圆形的边界闭合曲线;取每个三角单元的中心,计算中心到圆心距离d,若d小于或等于r,则这一单元属于该仿真目标物体。
(2)若生成的仿真目标物体是三角形,在背景区域内随机设置三角形的一条边,一个顶点A,另一个顶点为B,以A为顶点随机顺时针或逆时针旋转一定的角度(180°除外),得到第三个顶点C的坐标,由此生成三角形的三个顶点坐标;随后在AB、AC、BC每一条边上随机均匀生成3个点,共随机生成12个控制点坐标,最后利用B样条闭合曲线生成方法画出形状为三角形的边界闭合曲线;利用A,B,C三点坐标的x,y值,判断各个三角单元的中心是否在这个三角形内部或在三角形上,如果是,则该单元属于这一仿真目标物体。同理,利用B样条闭合曲线生成方法画出形状为正方形和不规则图形的边界闭合曲线,判断各个三角单元的中心是否在该图形内部或在该图形上,如果是,则该单元属于这一仿真目标物体。
S2、在背景阻抗值为σ0的情况下,设置不同目标物体的阻抗值,使用有限元法计算边界电压值。
S3、以边界电压值,不同目标物体的阻抗值和控制点向量值P分别作为神经网络的输入和输出,得到深度学习网络模型的训练数据集,建立EIT深度学习网络模型,具体地,根据训练集的输入输出数据格式设计神经网络的输入输出层,神经网络输入层为208(选用16个电极相邻激励-相邻测量模式下的电压值),输出层为4和96(4为四个目标物体的阻抗值个数,96为四个目标物体的控制点向量个数),隐藏层节点数由“ad hoc”规则定义范围,即隐藏层个数不应大于输入层个数的两倍。在这个范围内综合考虑运行时间和误差大小确定隐藏层的个数。对各网络层参数进行调试和优化,例如激活函数、epochs、学习速率、反向传播优化算法等,从而确立边界测量电压,目标物体阻抗值和对应的控制点向量值之间的映射关系。
S4、根据S3步骤得到的边界测量电压,目标物体阻抗值和对应的控制点向量值之间的映射关系。将实测电压数据输入到训练好的神经网络模型中,输出控制点向量P以及阻抗分布σ值,重建被测区域内目标物体的位置以及形状。
应当指出,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也在本申请权利要求的保护范围内。
Claims (5)
1.一种基于深度学习的电阻抗成像形状重建方法,其特征在于,包括以下步骤:
S1:使用有限元方法,对背景区域以三角形为单元进行剖分;在背景区域内设置控制点向量,采用B样条闭合曲线生成方法得到背景区域内目标物体的边界形状及其位置;
S2:在背景阻抗值为σ0的情况下,设置不同目标物体的阻抗值,使用有限元法计算边界电压值;
S3:将边界电压值作为神经网络的输入,不同目标物体的阻抗值和控制点向量作为神经网络的输出,得到神经网络模型的训练数据集,建立EIT深度学习网络模型,从而确立边界电压值和目标物体的阻抗值、控制点向量值之间的映射关系;
S4:将被测区域的边界电压值输入到训练好的神经网络模型,输出被测区域物体的阻抗值以及控制点向量,进而重建被测区域内目标物体边界形状及其位置。
2.如权利要求1所述的一种基于深度学习的电阻抗成像形状重建方法,其特征在于,所述S1步骤中,在背景区域内设置多个目标物体的控制点向量,采用B样条闭合曲线生成方法得到闭合边界曲线,若某个单元的中心在闭合边界曲线内部或在闭合边界曲线上,则该单元属于目标物体,否则不属于,从而得到目标物体的边界形状及其位置;其中闭合边界形状包括三角形、圆形、正方形、不规则图形。
3.如权利要求2所述的一种基于深度学习的电阻抗成像形状重建方法,其特征在于,在背景区域内,首先设置垂直于x轴方向的随机长度的线段作为圆直径,取其两端点作为圆边界的起点和终点;其次,在起点和终点之间,沿顺时针和逆时针方向各随机均匀生成5个点;再次,以起点,终点,随机生成的10个点作为控制点,利用B样条闭合曲线生成方法画出形状为圆形的边界闭合曲线;最后,若某个单元的中心到圆心的距离小于或等于圆形的半径,则该单元属于目标物体,否则不属于,从而得到目标物体的边界形状及其位置。
4.如权利要求2所述的一种基于深度学习的电阻抗成像形状重建方法,其特征在于,在背景区域内,首先,随机设置一条线段作为三角形的一条边,并记端点分别为顶点A和B;其次,以A为圆心将这条边随机顺时针或逆时针旋转,作为三角形的第二条边,同时得到顶点C的坐标;再次,在边AB、AC、BC上分别随机均匀生成3个点,与三个顶点一起作为控制点,利用B样条闭合曲线生成方法画出形状为三角形的边界闭合曲线;最后,若某个单元的中心在边界闭合曲线内部或在边界闭合曲线上,则该单元属于目标物体,否则不属于,从而得到目标物体的边界形状及其位置。
5.如权利要求1所述的一种基于深度学习的电阻抗成像形状重建方法,其特征在于,将边界电压值的数目作为神经网络的输入层节点数,不同目标物体的阻抗值和控制点向量作为神经网络的输出层节点数,隐藏层节点数根据“隐藏层个数不应大于输入层个数的两倍”的规则来确定,从而建立边界测量电压值,不同目标物体阻抗值和对应控制点向量值之间的映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038002.6A CN113781600B (zh) | 2021-09-06 | 2021-09-06 | 一种基于深度学习的电阻抗成像形状重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038002.6A CN113781600B (zh) | 2021-09-06 | 2021-09-06 | 一种基于深度学习的电阻抗成像形状重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781600A CN113781600A (zh) | 2021-12-10 |
CN113781600B true CN113781600B (zh) | 2024-02-23 |
Family
ID=78841206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111038002.6A Active CN113781600B (zh) | 2021-09-06 | 2021-09-06 | 一种基于深度学习的电阻抗成像形状重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781600B (zh) |
Citations (3)
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 |
CN110969677A (zh) * | 2020-01-02 | 2020-04-07 | 南京邮电大学 | 一种基于神经网络的电阻抗成像方法 |
CN111311703A (zh) * | 2020-01-21 | 2020-06-19 | 浙江工业大学 | 一种基于深度学习的电阻抗断层图像重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2853196B1 (de) * | 2013-09-27 | 2016-05-11 | Drägerwerk AG & Co. KGaA | Elektroimpedanztomographie-Gerät und -Verfahren |
-
2021
- 2021-09-06 CN CN202111038002.6A patent/CN113781600B/zh active Active
Patent Citations (3)
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 |
CN110969677A (zh) * | 2020-01-02 | 2020-04-07 | 南京邮电大学 | 一种基于神经网络的电阻抗成像方法 |
CN111311703A (zh) * | 2020-01-21 | 2020-06-19 | 浙江工业大学 | 一种基于深度学习的电阻抗断层图像重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113781600A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hermosilla et al. | Monte carlo convolution for learning on non-uniformly sampled point clouds | |
Shankar et al. | Robust node generation for mesh-free discretizations on irregular domains and surfaces | |
Wang et al. | Mvpnet: Multi-view point regression networks for 3d object reconstruction from a single image | |
Zhang et al. | Automatic 3D tooth segmentation using convolutional neural networks in harmonic parameter space | |
Schall et al. | Surface from scattered points | |
Iglesias et al. | Discrete Bézier curve fitting with artificial immune systems | |
CN105118093B (zh) | 义齿离散数据的参数曲面重建方法 | |
Saini et al. | NURBS-based geometric inverse reconstruction of free-form shapes | |
CN116960989B (zh) | 一种发电站的电力负荷预测方法、装置、设备及存储介质 | |
CN106548476A (zh) | 利用医学图像统计肺部三维特征形状方法 | |
CN113781600B (zh) | 一种基于深度学习的电阻抗成像形状重建方法 | |
Meng et al. | Parameterization of point-cloud freeform surfaces using adaptive sequential learning RBFnetworks | |
Gong et al. | Three-dimensional reconstruction of medical image based on improved marching cubes algorithm | |
CN115670421A (zh) | 一种基于去噪自编码器的电阻抗深度成像方法 | |
CN113313834B (zh) | 一种基于几何可解释性的点云生成方法 | |
Bednarik et al. | Temporally-coherent surface reconstruction via metric-consistent atlases | |
CN113870377A (zh) | 基于V-ResNet肺部成像方法 | |
Wu et al. | Improving shape from shading with interactive tabu search | |
Forkan et al. | Kohonen-swarm algorithm for unstructured data in surface reconstruction | |
Zhou et al. | Groomgen: A high-quality generative hair model using hierarchical latent representations | |
do Rego et al. | A surface reconstruction method based on self-organizing maps and intrinsic delaunay triangulation | |
CN110969677A (zh) | 一种基于神经网络的电阻抗成像方法 | |
Morooka et al. | Self-organizing deformable model: A new method for fitting mesh model to given object surface | |
Ma et al. | A global G2 spline space with improved geometry consistency near extraordinary vertices | |
Xiyu et al. | Shape reconstruction by genetic algorithms and artificial neural networks |
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 |