CN114758783A - 深度学习的弹性成像方法、装置、计算机设备和存储介质 - Google Patents

深度学习的弹性成像方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114758783A
CN114758783A CN202210334743.7A CN202210334743A CN114758783A CN 114758783 A CN114758783 A CN 114758783A CN 202210334743 A CN202210334743 A CN 202210334743A CN 114758783 A CN114758783 A CN 114758783A
Authority
CN
China
Prior art keywords
training
network model
field
generator
displacement field
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
CN202210334743.7A
Other languages
English (en)
Other versions
CN114758783B (zh
Inventor
梅跃
邓建伟
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202210334743.7A priority Critical patent/CN114758783B/zh
Priority claimed from CN202210334743.7A external-priority patent/CN114758783B/zh
Publication of CN114758783A publication Critical patent/CN114758783A/zh
Application granted granted Critical
Publication of CN114758783B publication Critical patent/CN114758783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种深度学习的弹性成像方法、装置、计算机设备和存储介质，方法包括：建立组织的位移场和材料分布场之间的对应关系，作为训练数据集；构建条件生成对抗网络模型；使用训练数据集对条件生成对抗网络模型进行训练，训练出适用于不同条件下的训练后的条件生成对抗网络模型；以实际组织的测量位移作为训练后的条件生成对抗网络模型的输入，得到实际组织的材料参数分布图像。本发明基于条件生成对抗网络模型实现对实际组织的材料参数分布的反演，可以提高计算效率和噪声鲁棒性。

Description

深度学习的弹性成像方法、装置、计算机设备和存储介质
技术领域
本发明涉及弹性成像技术领域，尤其涉及一种深度学习的弹性成像方法、装置、计算机设备和存储介质。
背景技术
肿瘤组织的力学行为重建有助于医生对疾病诊断和治疗，其中肿瘤的材料属性分布是肿瘤组织进行力学模拟和分析的前提。在研究中发现表明肿瘤处的剪切模量为正常临近组织的5-10倍。获取肿瘤组织及其附近组织，亦即肿瘤附近组织的材料分布的一种方法是弹性成像技术，如OCT弹性成像，MRI弹性成像等。弹性成像技术依赖于光学相干断层扫描技术(OCT)和磁共振(MRI)等对肿瘤附近组织的位移的测量，以及通过测量的位移场求解肿瘤附近组织的材料参数分布。
现今，弹性成像技术多采用有限元更新法(Finite Element Updating Method)求解材料参数分布。有限元更新法是将反问题转为约束优化问题求解，将肿瘤附近组织离散后每一节点或单元的材料参数作为优化变量。通过建立肿瘤附近组织的有限元模型，给定初始材料参数分布假设，求解力学正问题获取有限元计算位移场，并通过优化方法调整材料参数，使得计算位移与实际测量位移的总残差最小。
但有限元更新法中，因肿瘤附近组织的复杂的几何结构以及非线性本构，测量位移噪声大、优化变量多，这导致计算代价昂贵、优化算法稳定性差、重建结果准确性低。
发明内容
基于此，有必要针对上述问题，提出了一种深度学习的弹性成像方法、装置、计算机设备和存储介质，通过训练神经网络实现对材料参数的反演，提升计算效率和噪声鲁棒性。
为实现上述目的，本发明的技术方案如下：
一种深度学习的弹性成像方法，所述方法包括：
建立训练数据集，所述训练数据集包括多个训练元素(x，y)，每个所述训练元素(x，y)包括组织的位移场x和所述位移场x对应的材料分布场y；
构建条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器G和判别器D，所述生成器G的输入是所述位移场x，所述生成器G的输出是材料识别场G(x)；所述判别器D的输入是样本，所述判别器D的输出是所述样本的真实概率，所述样本包括正样本和负样本，所述位移场x和所述材料分布场y组成所述正样本(x，y)，所述位移场x和所述材料识别场G(x)组成所述负样本(x，G(x))；
训练所述条件生成对抗网络模型，在训练过程中，采用的损失函数L为：
Figure BDA0003576310470000021
训练所述生成器的目标函数G*的优化列式为
G*＝arg minGmaxD L(G，D)
其中，
Figure BDA0003576310470000022
表示对括号内项取对x，y的期望，
Figure BDA0003576310470000023
表示对括号内项取对x的期望；使用所述损失函数L对所述生成器G和所述判别器D采用所述优化列式进行优化，得到训练后的所述条件生成对抗网络模型；
施加载荷使实际组织变形，测得所述实际组织的所述位移场x，并将所述位移场x输入所述训练后的所述条件生成对抗网络模型的所述生成器G*，得到所述材料识别场G*(x)，根据所述材料识别场G*(x)得到所述实际组织的材料参数分布图像。
优选的，所述训练条件生成对抗网络模型过程中，所使用的优化器为Adams优化器。
优选的，所述生成器采用U-Net卷积网络、FCN全卷积网络和ResNet残差连接网络中的一种。
优选的，所述判别器采用PatchGAN网络。
优选的，所述建立训练数据集的过程中，所述位移场x通过实测获得；
或者，所述建立训练数据集的过程包括：
建立所述组织的基础模型，所述基础模型包括所述组织的几何模型、位移边界条件和力边界条件，并使用有限元方法，将所述基础模型转化为基础有限元模型；
分别对所述基础有限元模型赋以不同的所述材料分布场y，得到多个有限元模型，求解各所述有限元模型得到与各所述材料分布场y对应的各所述位移场x。
优选的，所述损失函数L(G，D)还包括另一部分，
Figure BDA0003576310470000031
Figure BDA0003576310470000032
Figure BDA0003576310470000033
其中λ是附加项权重系数，||·||1是1范数。
优选的，所述训练条件生成对抗网络模型过程中，所述生成器G和所述判别器D是交替训练的。
本发明还公开了一种深度学习的弹性成像的优化装置，所述装置包括：
训练数据集建立模块，用于建立所述训练数据集，所述训练数据集包括多个训练元素(x，y)，每个所述训练元素(x，y)包括组织的位移场x和所述位移场x对应的材料分布场y；
条件生成对抗网络模型构建模块，用于构建所述条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器G和判别器D，所述生成器G的输入是所述位移场x，所述生成器G的输出是材料识别场G(x)；所述判别器D的输入是样本，所述判别器D的输出是样本的真实概率，所述样本包括正样本和负样本，所述位移场x和所述材料分布场y组成所述正样本(x，x)，所述位移场x和所述材料识别场G(x)组成所述负样本(x，G(x))；
条件生成对抗网络模型训练模块，用于训练所述条件生成对抗网络模型，在训练过程中，采用的损失函数L为：
Figure BDA0003576310470000041
训练所述生成器的目标函数G*的优化列式为
G*＝arg minGmaxD L(G，D)
其中，
Figure BDA0003576310470000042
表示对括号内项取对x，y的期望，
Figure BDA0003576310470000043
表示对括号内项取对x的期望；使用所述损失函数L对所述生成器G和所述判别器D采用所述优化列式进行优化，得到训练后的所述条件生成对抗网络模型；
部署应用模块，施加载荷实际组织变形，测得所述实际组织的所述位移场x，并将所述位移场x输入所述训练后的所述条件生成对抗网络模型的所述生成器G*，得到所述材料识别场G*(x)，根据所述材料识别场G*(x)得到所述实际组织的材料参数分布图像。
本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述方法的步骤。
本发明还公开了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。
实施本发明实施例，将具有如下有益效果：
本发明实施例通过建立条件生成对抗网络模型，使用训练数据集对条件生成对抗网络模型进行训练，训练出适用于不同条件下的训练后的条件生成对抗网络模型，并以实际组织的测量位移作为训练后的条件生成对抗网络模型的输入，得到实际组织的材料参数分布图像。本发明通过条件生成对抗网络模型实现对实际组织的材料参数分布的反演，可以提高计算效率和噪声鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为本发明一具体实施例的深度学习的弹性成像方法的流程图。
图2为本发明一具体实施例的生成器网络结构示意图。
图3为本发明一具体实施例的判别器网络结构示意图。
图4为本发明一具体实施例的生成器训练示意图。
图5为本发明一具体实施例的判别器训练示意图。
图6为本发明方法与传统方法结果对比示意图。
图7为本发明一具体实施例的深度学习的弹性成像的优化装置的结构框图。
图8为本发明一具体实施例的深度学习的弹性成像的优化的计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种深度学习的弹性成像方法，该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明，深度学习的弹性成像方法具体包括如下步骤，如图1所示：
S1：建立训练数据集，包括以下步骤
建立组织的基础模型，基础模型包括组织的几何模型、位移边界条件和力边界条件，并使用有限元方法，将基础模型转化为基础有限元模型。
以肿瘤组织及其附近组织的材料识别问题为例，建立训练数据集的第一步是建立肿瘤组织及其附近组织的基础模型，包括肿瘤组织及其附近组织的几何模型、位移边界条件和力边界条件，并使用有限元方法，将基础模型转化为基础有限元模型；之所以称为基础有限元模型，是因为该模型目前没有材料参数，这也是本发明实施例中要识别的内容。
分别对基础有限元模型赋以多个不同的材料分布场y，得到多个有限元模型，求解各有限元模型，得到与各材料分布场y对应的各位移场x，每一位移场x与其对应的材料分布场y组成一个训练元素(x，y)；多个训练元素得到多个有限元模型组成训练数据集S(x，y)，训练数据集S(x，y)的训练元素数量与材料分布场的数量相同。
组织可以是包含肿瘤的组织，也可以是不包含肿瘤的组织。
在其他实施例中，训练数据集也可以通过实际测量获得，即测量一组织的位移场，根据测量的位移场求解材料分布场。
S2：构建条件生成对抗网络模型，条件生成对抗网络模型包括生成器G和判别器D。
生成器G的输入是位移场x，输出是材料识别场G(x)，其训练目的是输出的材料识别场G(x)尽可能接近位移场x所对应的材料分布场y。判别器D的输入是样本，输出是样本的真实概率，其训练目的是使正样本的识别概率尽可能的接近1而负样本的识别概率尽可能的接近0。
在本实施例中，生成器G采用U-Net卷积网络。此外，生成器G也可采用全卷积网络FCN、残差连接网络ResNet等网络模型。
U-Net网络是采用了跳跃连接(skip-connection)的编码解码结构。编码过程主要基于下采样操作，并向解码过程的对称层提供特征映射。解码过程主要采用上述采样操作和非线性空间传输，具体结构如图2所示，具体网络结构参数见表1。其中，Conv是卷积，Maxpool是最大池化，Up-sampling是上采样，copy and crop是复制和拼接。
表1：U-net具体结构参数
Figure BDA0003576310470000061
Figure BDA0003576310470000071
在本实施例中，判别器D采用PatchGAN网络。PatchGAN的原理是将输入图片分割成N*N大小的矩阵(Patch)，N可根据具体情况进行调整，具体结构如图3所示，具体网络结构参数见表2。
表2：PatchGAN具体结构参数
序号 归一化 输入 输出 卷积核 步长 填充 激活函数
1 - 3*61*61 1*30*30 4*4 2 1 LeackyReLU
2 InstanceNorm2d 1*30*30 2*15*15 4*4 2 1 LeackyReLU
3 InstanceNorm2d 2*15*15 4*7*7 4*4 2 1 LeackyReLU
4 InstanceNorm2d 2*15*15 4*7*7 4*4 2 1 LeackyReLU
5 - 4*7*7 1*7*7 3*3 1 1 -
S3：训练条件生成对抗网络模型
位移场x和材料分布场y组成正样本(x，y)，位移场x和材料识别场G(x)组成负样本(x，G(x))，将正样本和负样本输入判别器D进行判断，并依据判断结果计算损失函数L。
本实施例中，损失函数可以由两部分组成，
Figure BDA0003576310470000081
其中LcGAN(G，D)是交叉熵损失函数，
Figure BDA0003576310470000082
另一部分是使得材料识别场G(x)更为接材料分布场y的附加项
Figure BDA0003576310470000083
Figure BDA0003576310470000084
并乘以附加项权重系数λ。附加项可以不使用，也可以通过调整附加项权重系数λ，模拟不同类型的肿瘤组织及其附近组织。
生成器G的目标函数G*的优化列式为：
G*＝arg minGmaxD L(G，D)
上述公式中，x是位移场，y是位移场对应的材料分布场，G是生成器，G(x)是材料识别场，D是判别器，分别用于正负样本的判别，输出为真实概率，
Figure BDA0003576310470000085
表示对括号内项取对x，y的期望，
Figure BDA0003576310470000086
表示对括号内项取对x的期望，||·||1是1范数，函数arg minG maxD L的含义是使损失函数L最大化的判别器D和使损失函数L最小化生成器G所对应的那个生成器，亦即生成器的目标函数G*。
在本实施例中，生成器G和判别器D是交替训练的。
生成器G的训练过程如图4所示，图中：G是生成器，x是位移场，G(x)是材料识别场；判别器D的训练过程如图5所示，将生成器生成的材料识别场G(x)和位移场x拼接作为负样本(x，G(x))送入判别器D训练，并将位移场x和材料分布场y组成正样本(x，y)送入判别器训练，计算损失函数并反向传播。交替训练生成器和判别器，直到二者训练平衡。本具体实施例中，训练过程采用Adams优化器。对应不同的需求，调整参数，最终训练得到合适的条件生成对抗网络模型。
S4：部署应用。
在得到训练后的条件生成对抗网络模型后，施加载荷使实际组织变形，测得位移场，并将位移场输入训练后的条件生成对抗网络模型的生成器G*，得到材料识别场G*(x)，根据材料识别场G*(x)得到实际组织的材料参数分布图像。
就本具体实施例而言，在得到合适的条件生成对抗网络模型后，对实际的肿瘤组织及其附近组织进行诱导变形，利用无损测量技术测得位移场，并将其输入训练后的条件生成对抗网络模型，得到相应的材料识别场，构建材料参数分布图像，进行临床诊断和治疗。材料参数可以是剪切模量、弹性模量等力学参数，以剪切模量为例，当剪切模量超过正常组织剪切模量的5～10倍，可以判别该处为肿瘤。
本发明采用深度学习的方法，具有计算效率高和噪声鲁棒性好等优势。
就计算效率而言，将测量位移场利用插值、滤波等常规方法处理至条件生成对抗网络模型的尺寸后，在训练好的模型G*上进行测试，对图片像素为61*61的情况，在普通的个人计算机上，测试时间在毫秒量级，而同等规模下的有限元更新方法，计算时间高达几十分钟甚至数个小时。基于深度学习的方法为反演的实时性提供了保证。
就噪声鲁棒性好而言，由于每台测量设备都会不可避免地带有测量误差，且在之后的服役过程中误差水平基础保持在同一水平。为了降低噪声对结果的影响，有限元更新法将使用正则化方法。而对于机器学习方法，基于输入信息都是带有噪声的，训练好的模型G*进行的是带有噪声数据的输入到输出的学习，因此，该方法能自动学习对于噪声的处理。
对于一个人造肿块仿体超声实验测量位移数据，基于背景中提到的传统方法和本发明方法的结果对比如图6所示，左图是传统方法结果，右图是本发明方法结果。可以看出，本发明的结果在对噪声的处理上有了很大的提高。
参考图7，本发明还提供了一种深度学习的弹性成像方法的优化装置，该实施例提供的优化装置，可执行本发明任意实施例所提供的深度学习的弹性成像的优化方法，具备执行方法相应的功能模块和有益效果。该深度学习的弹性成像的优化装置包括训练数据集建立模块、条件生成对抗网络模型构建模块、条件生成对抗网络模型训练模块和部署应用模块。
训练数据集建立模块，用于建立训练数据集，建立组织的基础模型，基础模型包括组织的几何模型、位移边界条件和力边界条件，并使用有限元方法，将基础模型转化为基础有限元模型；对基础有限元模型赋以多个不同的材料分布场，每一材料分布场与基础有限元模型联合得到有限元模型，求解有限元模型得到位移场x，每一材料分布场y对应于一个位移场x，每一位移场x与其对应的材料分布场y组成一个训练元素(x，y)；多个训练元素(x，y)组成训练数据集。
条件生成对抗网络模型构建模块，用于构建条件生成对抗网络模型，条件生成对抗网络模型包括生成器G和判别器D，生成器G的输入是位移场x，输出是材料识别场G(x)；判别器D的输入是样本，输出是样本的真实概率，样本包括正样本和负样本，位移场x和材料分布场y组成正样本(x，x)，位移场x和材料识别场G(x)组成负样本(x，G(x))。
条件生成对抗网络模型训练模块，用于训练条件生成对抗网络模型，损失函数为：
Figure BDA0003576310470000101
生成器目标函数G*的优化列式为：
G*＝arg minG maxD L(G，D)
其中，x是位移场，y是位移场对应的材料分布场，G是生成器，G(x)是材料识别场，D是判别器，
Figure BDA0003576310470000102
表示对括号内项取对x，y的期望，
Figure BDA0003576310470000103
表示对括号内项取对x的期望；使用损失函数对生成器和判别器进行优化，得到训练后的条件生成对抗网络模型；
部署应用模块，在得到训练后的条件生成对抗网络模型后，施加载荷使实际组织变形，测得位移场x，并将位移场x输入训练后的条件生成对抗网络模型的生成器G*，得到材料识别场G*(x)。
本发明还提供了一种深度学习的弹性成像的方法的计算机设备，参考图8，示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现深度学习的弹性成像的方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行深度学习的弹性成像的方法。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤，本发明还提供了深度学习的弹性成像方法的可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器也执行以下步骤：
S1：建立训练数据集，训练数据集包括多个训练元素(x，y)，每个训练元素(x，y)包括组织的位移场x和所述位移场x对应的材料分布场y。
S2：构建条件生成对抗网络模型，条件生成对抗网络模型包括生成器G和判别器D，生成器G的输入是位移场x，生成器G的输出是材料识别场G(x)；判别器D的输入是样本，判别器D的输出是样本的真实概率，样本包括正样本和负样本，位移场x和材料分布场y组成正样本(x，y)，位移场x和材料识别场G(x)组成负样本(x，G(x))。
S3：训练条件生成对抗网络模型，在训练过程中，采用的损失函数L为：
Figure BDA0003576310470000111
训练生成器G的目标函数G*的优化列式为：
G*＝arg minG maxD L(G，D)
其中，
Figure BDA0003576310470000112
表示对括号内项取对x，y的期望，
Figure BDA0003576310470000113
表示对括号内项取对x的期望；使用损失函数L对生成器G和判别器D采用优化列式进行优化，得到训练后的所述条件生成对抗网络模型。
S4：施加载荷使实际组织变形，测得实际组织的位移场，并将位移场输入训练后的条件生成对抗网络模型的生成器G*，得到材料识别场G*(x)。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synch|ink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种深度学习的弹性成像方法，其特征在于，所述方法包括：
建立训练数据集，所述训练数据集包括多个训练元素(x，y)，每个所述训练元素(x，y)包括组织的位移场x和所述位移场x对应的材料分布场y；
构建条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器G和判别器D，所述生成器G的输入是所述位移场x，所述生成器G的输出是材料识别场G(x)；所述判别器D的输入是样本，所述判别器D的输出是所述样本的真实概率，所述样本包括正样本和负样本，所述位移场x和所述材料分布场y组成所述正样本(x，y)，所述位移场x和所述材料识别场G(x)组成所述负样本(x，G(x))；
训练所述条件生成对抗网络模型，在训练过程中，采用的损失函数L为：
Figure FDA0003576310460000011
训练所述生成器G的目标函数G*的优化列式为：
G*＝arg minGmaxDL(G，D)
其中，
Figure FDA0003576310460000012
表示对括号内项取对x，y的期望，
Figure FDA0003576310460000013
表示对括号内项取对x的期望；使用所述损失函数L对所述生成器G和所述判别器D采用所述优化列式进行优化，得到训练后的所述条件生成对抗网络模型；
施加载荷使实际组织变形，测得所述实际组织的所述位移场x，并将所述位移场x输入所述训练后的所述条件生成对抗网络模型的所述生成器G*，得到所述材料识别场G*(x)，根据所述材料识别场G*(x)得到所述实际组织的材料参数分布图像。
2.根据权利要求1所述的方法，其特征在于，所述训练所述条件生成对抗网络模型过程中，所使用的优化器为Adams优化器。
3.根据权利要求1所述的方法，其特征在于，所述生成器G采用U-Net卷积网络、FCN全卷积网络和ResNet残差连接网络中的一种。
4.根据权利要求1所述的方法，其特征在于，所述判别器采用PatchGAN网络。
5.根据权利要求1所述的方法，其特征在于，所述建立训练数据集的过程中，所述位移场x通过实测获得；
或者，所述建立训练数据集的过程包括：
建立所述组织的基础模型，所述基础模型包括所述组织的几何模型、位移边界条件和力边界条件，并使用有限元方法，将所述基础模型转化为基础有限元模型；分别对所述基础有限元模型赋以不同的所述材料分布场y，得到多个有限元模型，求解各所述有限元模型得到与各所述材料分布场y对应的各所述位移场x。
6.根据权利要求1所述的方法，其特征在于，所述损失函数L(G，D)还包括另一部分，
Figure FDA0003576310460000021
Figure FDA0003576310460000022
Figure FDA0003576310460000023
其中λ是附加项权重系数，||·||1是1范数。
7.根据权利要求1所述的方法，其特征在于，所述训练所述条件生成对抗网络模型过程中，所述生成器G和所述判别器D是交替训练的。
8.一种深度学习的弹性成像的优化装置，其特征在于，所述装置包括：
训练数据集建立模块，用于建立所述训练数据集，所述训练数据集包括多个训练元素(x，y)，每个所述训练元素(x，y)包括组织的位移场x和所述位移场x对应的材料分布场y；
条件生成对抗网络模型构建模块，用于构建所述条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器G和判别器D，所述生成器G的输入是所述位移场x，所述生成器G的输出是材料识别场G(x)；所述判别器D的输入是样本，所述判别器D的输出是样本的真实概率，所述样本包括正样本和负样本，所述位移场x和所述材料分布场y组成所述正样本(x，x)，所述位移场x和所述材料识别场G(x)组成所述负样本(x，G(x))；
条件生成对抗网络模型训练模块，用于训练所述条件生成对抗网络模型，在训练过程中，采用的损失函数L为：
Figure FDA0003576310460000031
训练所述生成器的目标函数G*的优化列式为
G*＝arg minGmaxDL(G，D)
其中，
Figure FDA0003576310460000032
表示对括号内项取对x，y的期望，
Figure FDA0003576310460000033
表示对括号内项取对x的期望；使用所述损失函数L对所述生成器G和所述判别器D采用所述优化列式进行优化，得到训练后的所述条件生成对抗网络模型；
部署应用模块，施加载荷实际组织变形，测得所述实际组织的所述位移场x，并将所述位移场x输入所述训练后的所述条件生成对抗网络模型的所述生成器G*，得到所述材料识别场G*(x)，根据所述材料识别场G*(x)得到所述实际组织的材料参数分布图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202210334743.7A 2022-03-31 深度学习的弹性成像方法、装置、计算机设备和存储介质 Active CN114758783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210334743.7A CN114758783B (zh) 2022-03-31 深度学习的弹性成像方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210334743.7A CN114758783B (zh) 2022-03-31 深度学习的弹性成像方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN114758783A true CN114758783A (zh) 2022-07-15
CN114758783B CN114758783B (zh) 2024-07-16

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115541030A (zh) * 2022-09-21 2022-12-30 中冶南方工程技术有限公司 高炉炉顶料面温度分布的识别方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580695A (zh) * 2019-08-07 2019-12-17 深圳先进技术研究院 一种多模态三维医学影像融合方法、系统及电子设备
CN111612865A (zh) * 2020-05-18 2020-09-01 中山大学 一种基于条件生成对抗网络的mri成像方法及装置
CN112488953A (zh) * 2020-12-10 2021-03-12 深圳先进技术研究院 一种医学图像降噪方法、系统、终端以及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580695A (zh) * 2019-08-07 2019-12-17 深圳先进技术研究院 一种多模态三维医学影像融合方法、系统及电子设备
CN111612865A (zh) * 2020-05-18 2020-09-01 中山大学 一种基于条件生成对抗网络的mri成像方法及装置
CN112488953A (zh) * 2020-12-10 2021-03-12 深圳先进技术研究院 一种医学图像降噪方法、系统、终端以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
仰云焕: "基于深度学习的低剂量锥束乳腺CT", 中国优秀硕士学位论文全文数据库 医药卫生科技辑/基于深度学习的低剂量锥束乳腺CT, 15 August 2021 (2021-08-15), pages 072 - 114 *
赵冬梅，邓建伟，孙直，梅跃: "基于边界位移的复合材料力学参数无损反演方法", 计算力学学报/基于边界位移的复合材料力学参数无损反演方法, vol. 39, no. 1, 28 February 2022 (2022-02-28), pages 57 - 62 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115541030A (zh) * 2022-09-21 2022-12-30 中冶南方工程技术有限公司 高炉炉顶料面温度分布的识别方法、装置及存储介质
CN115541030B (zh) * 2022-09-21 2024-02-27 中冶南方工程技术有限公司 高炉炉顶料面温度分布的识别方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN111383741B (zh) 医学成像模型的建立方法、装置、设备及存储介质
CN111881926A (zh) 图像生成、图像生成模型的训练方法、装置、设备及介质
WO2020114329A1 (zh) 磁共振快速参数成像方法及装置
CN107595312B (zh) 模型生成方法、图像处理方法及医学成像设备
CN106796716A (zh) 用于为低分辨率图像提供超分辨率的设备和方法
US11514621B2 (en) Low-dose image reconstruction method and system based on prior anatomical structure difference
CN111951344A (zh) 一种基于级联并行卷积网络的磁共振图像重建方法
CN111062324A (zh) 人脸检测方法、装置、计算机设备和存储介质
CN115131452A (zh) 用于伪影去除的图像处理方法及装置
CN111179235A (zh) 图像检测模型的生成方法及装置、应用方法及装置
CN111383742A (zh) 一种医学成像模型的建立方法、装置、设备及存储介质
CN117011673A (zh) 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置
CN114648048A (zh) 基于变分自编码和PixelCNN模型的心电信号降噪方法
CN117197349A (zh) 一种ct图像重建方法及装置
CN112488949A (zh) 一种低剂量pet图像还原方法、系统、设备和介质
CN110766661B (zh) 磁共振成像的水脂分离方法、磁共振成像方法和设备
CN116051545B (zh) 一种双模态影像的脑龄预测方法
CN114758783A (zh) 深度学习的弹性成像方法、装置、计算机设备和存储介质
CN114758783B (zh) 深度学习的弹性成像方法、装置、计算机设备和存储介质
CN115115736A (zh) 图像去伪影方法、装置、设备及存储介质
CN114494014A (zh) 一种磁共振图像超分辨率重建方法及装置
Xie et al. 3D few-view CT image reconstruction with deep learning
CN112102244A (zh) 胎儿超声标准切面图像检测方法、计算机设备和存储介质
CN112365504A (zh) Ct左心室分割方法、装置、设备和存储介质
CN117541892A (zh) 深度生成模型的训练方法、装置、设备及介质

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