CN115049800A - 一种基于灰狼优化和径向基神经网络的电阻抗成像方法 - Google Patents

一种基于灰狼优化和径向基神经网络的电阻抗成像方法 Download PDF

Info

Publication number
CN115049800A
CN115049800A CN202210682981.7A CN202210682981A CN115049800A CN 115049800 A CN115049800 A CN 115049800A CN 202210682981 A CN202210682981 A CN 202210682981A CN 115049800 A CN115049800 A CN 115049800A
Authority
CN
China
Prior art keywords
neural network
basis function
radial basis
function neural
electrical impedance
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.)
Withdrawn
Application number
CN202210682981.7A
Other languages
English (en)
Inventor
唐文来
冯迪
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.)
Nanjing Intelligent High End Equipment Industry Research Institute Co ltd
Original Assignee
Nanjing Intelligent High End Equipment Industry Research Institute Co ltd
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 Nanjing Intelligent High End Equipment Industry Research Institute Co ltd filed Critical Nanjing Intelligent High End Equipment Industry Research Institute Co ltd
Priority to CN202210682981.7A priority Critical patent/CN115049800A/zh
Publication of CN115049800A publication Critical patent/CN115049800A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0536—Impedance imaging, e.g. by tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computational Linguistics (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Fuzzy Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于灰狼优化和径向基神经网络的电阻抗成像方法，包括对待测场域使用有限元法进行三角形剖分，建立有限元模型；采用径向基神经网络构建径向基神经网络成像模型，输出电阻抗分布结果；利用灰狼算法对径向基神经网络成像模型中的网络连接权值进行寻优计算，得到权值的最优解；计算最优权值得到优化的电阻抗成像模型，求解模型进行图像重构。通过采用灰狼算法对神经网络模型进行优化处理，能够找到最优的连接权值，从而大大提高成像的图像分辨率，进而有效提高成像效率和准确度。

Description

一种基于灰狼优化和径向基神经网络的电阻抗成像方法
技术领域
本发明涉及一种电阻抗成像方法，特别是一种基于灰狼优化和径向基神经网络的电阻抗成像方法。
背景技术
随着我国的现代科学和工程技术快速发展，以及人民对健康生活需求的日益增加，在医学领域应用先进的科学和工程技术来更准确地诊断疾病变得越来越重要。因此，电阻抗成像技术成为了当今世界上越来越受关注的研究课题，它不仅能够深入探索成像信息，使医疗手术更加顺利的执行，还能提高疾病诊断的可靠性和预防疾病发展。电阻抗成像技术是一种廉价的无损检测技术，可以弥补传统医学成像技术的不足，对电阻抗的变化较为敏感，在不同的生物组织中变化很大，因此该技术可以反映生物组织和器官的形态，能够提取生物组织的生理和病理信息，并反映生物组织的功能状态。
这种检测方法是采用“电流激励—电压测量”的方式得到内部电学性质，首先需要在被测场域周围放置特定数量的电极，通过电极注入安全的激励电流，同时通过这些电极测量被测体表面的电势分布，将这些数据传输到计算机，然后通过图像重建算法利用不同组织之间的电阻抗差异，得到被测场的电阻抗分布。然而，现有的电阻抗成像技术一般通过传统算法的方式实现目标物体的图像重建，然而，现有算法需要计算大量的无效信息，导致成像效率低和准确度低。
申请号为CN201310402070.5的专利公开了一种基于粒子群和正则化高斯-牛顿迭代算法的电阻抗成像方法，实现了电阻抗的图像重建。该发明采用了粒子群算法产生一个接近真实值的初始值作为正则化高斯-牛顿迭代算法的初始值，降低了牛顿类算法对初始值敏感性，并且由于只需要产生一个接近真实值的近似值，对精度要求不高，可以使用较少的粒子数和较少的迭代次数，这大大减少了计算量然后利用正则化高斯-牛顿迭代算法求解逆问题。但是，只采用粒子群算法确定初始值，在求解电阻抗成像的逆问题时仍采用了传统算法进行求解，在上述情况下，传统方法将EIT逆问题中的非线性方程近似为线性方程，线性化的过程会丢失部分有效信息，不仅计算量大，而且对噪声和误差非常敏感，微小的干扰可能会导致计算过程的偏差，图像重建效果一般。因此，现阶段仍然缺少一种有效的电阻抗成像算法。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于灰狼优化和径向基神经网络的电阻抗成像方法。
为了解决上述技术问题，本发明公开了一种基于灰狼优化和径向基神经网络的电阻抗成像方法，包括如下步骤：
步骤1，对待测场域使用有限元法(COMSOL仿真软件自带的有限元方法)进行三角形剖分，建立有限元模型；
步骤2，采用径向基神经网络构建径向基神经网络成像模型，输出电阻抗分布结果；
步骤3，利用灰狼算法对径向基神经网络成像模型中的网络连接权值进行寻优计算，得到权值的最优解；
步骤4，计算权值的最优解得到优化的电阻抗成像模型，求解电阻抗成像模型进行图像重构。
本发明步骤1中，对待测场域使用有限元法进行三角形剖分时，假定每个单元上的电导率是常数，在单元的划分过程中，各个单元相交点为顶点，不同的单元相交，顶点的电位相等；对每个单元按逆时针方向进行编号，使得计算过程中得到的三角形单元面积为正值。
本发明步骤2中所述径向基神经网络，包括：输入层、隐含层和输出层。
步骤2中所述径向基神经网络的输入层为电阻抗成像正问题结果电压差。
步骤2中所述径向基神经网络的隐含层为高斯基函数。
步骤2中所述径向基神经网络的输出层为逆问题求解结果电阻抗分布。
步骤2中所述采用径向基神经网络构建径向基神经网络成像模型，具体包括以下步骤：
步骤2-1，初始化径向基神经网络，设置电极个数、网络精度输入电流和接触阻抗确定有限元模型；
步骤2-2，绘制场域几何模型，确定电极尺寸和注入激励电流的电极编号，设置背景区域与目标物的电导率；
步骤2-3，根据步骤2-2中设置的电导率分布进行正向计算求出径向基神经网络成像模型的边界电压；
步骤2-4，随机改变圆心坐标得到不同位置的圆形目标，重复计算步骤2-3得到不同坐标位置的正问题电势分布；
步骤2-5，选择某个三角形单元求解该单元电导率分布，按照有限元模型中的三角形单元坐标计算整个待测场域的电导率，得到训练集和测试集；
步骤2-6，利用训练集对径向基神经网络模型进行训练，得到径向基神经网络成像模型输出电阻抗分布结果。
本发明步骤3中所述利用灰狼算法对径向基神经网络成像模型中的网络连接权值进行寻优计算，具体包括以下步骤：
步骤3-1，初始化种群，包括种群的数量、迭代次数及确定灰狼的预估初始位置，构建灰狼初始位置与径向基神经网络的连接权值的映射关系；
步骤3-2，计算种群中每一个灰狼的适应度；
步骤3-3，按照适应度的大小依次划分不同等级的灰狼；
步骤3-4，更新迭代中所需参数a；
步骤3-5，判断是否达到最大迭代次数，若不满足则转到步骤3-2继续进行寻找最优值，否则输出适应度最高值为灰狼的最优位置即权值的最优解。
本发明步骤3中所述的灰狼算法中，迭代因子a是基于余弦的收敛因子，其迭代公式为：
Figure BDA0003697029580000031
式中：t为迭代次数；tmax为最大迭代次数，π为圆周率常数。
步骤3中所述的灰狼算法为单目标优化，优化参数为径向基神经网络成像模型中隐含层与输出层的连接权值。
有益效果：
本发明电阻抗成像算法的创新之处在于把径向基神经网络和灰狼优化算法进行结合，优化模型以提高重建图像的分辨率。通过分析径向基神经网络重建方法所存在的问题，提出使用灰狼优化算法来解决径向基神经网络容易陷入局部最优的问题，实现电阻抗重构图像的优化计算。该发明利用灰狼算法优化径向基神经网络的权值，重新优化训练EIT的神经网络模型，以此达到提高重建图像分辨率的目的，所以相比传统算法有更好的成像效果，并且优化后的算法使得效率显著提升。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。由于本发明的特殊性，其技术效果的展示需要彩色附图(图4和图5)。
图1为本发明的总体流程图。
图2为本发明待测场域的二维示意图。
图3为本发明对场域的有限元剖分示意图。
图4为本发明中部分待测目标的电导率仿真示意图。
图5为本发明中对待测目标的电阻抗图像重建结果示意图。
具体实施方式
如图1所示，该流程示意图提出基于灰狼优化和径向基神经网络的电阻抗成像方法，具体步骤如下：
步骤1，对待测场域使用有限元法进行三角形剖分，建立有限元模型；
步骤2，采用径向基神经网络构建径向基神经网络成像模型，输出电阻抗分布结果；
步骤3，利用灰狼算法对径向基神经网络成像模型中的网络连接权值进行寻优计算，得到权值的最优解；
步骤4，计算最优权值得到优化的电阻抗成像模型，求解模型进行图像重构。
如图2所示，在本实施例中，所述通过有限元法对待测区域划分网格，需确定待测场域的尺寸，本发明中的待测场域是一个半径为95mm的圆，根据需要在软件CAD中绘制一定尺寸的传感器以及场域，需要将电极部分与传感器部分打断，并另存为.dxf格式方便后续操作。
如图3所示，对于电阻抗成像中待测场的电压求解，本发明用COMSOL软件对待测场域划分为1068进行三角形网格。
所述的步骤1采用有限元法对待测场域进行三角单元剖分时，需假定每个单元上的电导率是常数，在单元的划分过程各个单元相交点必须是顶点，不同的单元相交，其顶点的电位是相等的，并对每个单元按逆时针方向进行编号，用以保证计算过程中得到的三角形单元面积为正值。
所述步骤2包括以下步骤：
a.初始化神经网络，设置电极个数、网络精度输入电流和接触阻抗确定有限元仿真模型；
b.绘制场域几何模型，确定电极尺寸和注入激励电流的电极编号，设置背景区域与目标物的电导率；
c.根据已知的电导率分布进行正向计算求出重建模型的边界电压；
d.随机改变圆心坐标得到不同位置的圆形目标，重复上述计算得到不同坐标位置的正问题电势分布；
e.选择某个三角形单元求解该单元电导率分布，按照导出的三角形单元坐标以确定的顺序计算整个待测场域的电导率，得到训练集和测试集；
f.利用训练集对网络模型进行训练，得到径向基神经网络成像模型，能够输出电阻抗分布结果。
在本实施例中，所述的所述径向基神经网络模型包括输入层、隐含层和输出层。对于有16个电极的EIT系统，可以仿真测得208个电压值，注入激励电流0.05mA后，求解线平均值变量得到正问题的结果电势分布，通过软件提取网格信息中的点坐标和三角单元索引导出至MATLAB中，方便后续进行数据处理。网络模型需要学习的参数向量有三个分别是基函数的中心cm、基宽bm和权值W。计算公式分别如下：
Figure BDA0003697029580000051
式中：Xn为第n个输入的样本向量；m为第m个聚类中心；t表示迭代次数；η为迭代步长，其值为0＜η＜1。
Figure BDA0003697029580000052
式中：Xn为第n个输入的样本向量；m为第m个聚类中心；t表示迭代次数；η为迭代步长，其值为0＜η＜1。
W＝F′D (4)
式中，D是训练样本的期望响应向量，矩阵F的计算公式为：
Figure BDA0003697029580000061
如图4所示，为本发明中部分待测目标的电导率仿真示意图。由于本发明的特殊性，其技术效果的展示需要彩色附图。待测几何区域是直径为95mm的圆形场域，为了得到目标物体的重建图像，首先需要确定所设置的目标物体的个数、位置、大小以及目标与背景场域的电导率。在本实施例中，目标物体的个数为1-3个，位置在背景区域内随机生成，设计直径为20mm圆形的目标物体，为使训练数据更加准确，确定电导率差异在4个数量级，设定背景区域的电导率为5.5×10-4S/m，而目标物体的电导率为5.5×10-8S/m。
得到电导率数据之后，计算正问题求解边界电压。所述径向基神经网络模型的输入层为电阻抗成像正问题结果电压差，隐含层为高斯基函数，输出层为逆问题求解结果电阻抗分布。
所述步骤3中，包括以下步骤：
a.初始化种群，包括种群的数量、迭代次数及确定灰狼的预估初始位置，构建灰狼初始位置与RBF神经网络的连接权值的映射关系；
b.计算种群中每一个灰狼的适应度；
c.按照适应度的大小依次划分不同等级的灰狼；
d.更新迭代中所需参数a；
f.判断终止条件，若不满足则转到步骤b继续进行寻找最优值，若满足则该值即为灰狼的最优位置即最优权值。
通过采用仿真的数据集来训练径向基神经网络模型得到电阻抗模型，再利用灰狼算法对神经网络的权值进行优化，能够进一步提高电阻抗成像的效率和准确度。所述的灰狼算法的迭代因子a是基于余弦的收敛因子，其迭代公式为：
Figure BDA0003697029580000071
式中：t为迭代次数；tmax为最大迭代次数。
所述的灰狼算法为单目标优化，优化参数为隐含层与输出层的连接权值。
图5为本发明中对待测目标的电阻抗图像重建结果示意图。由于本发明的特殊性，其技术效果的展示需要彩色附图。从图像可以看出基于优化后的灰狼算法不仅解决了径向基神经网络的权值优化问题，提高了全局和局部寻优性能和收敛速度，而且在EIT成像算法中，对异物定位区域进一步缩小，使得背景区域更均匀，可以达到提高成像质量的目的。通过多个目标的仿真图像分析对比，证明优化后的算法还具有较好的泛化能力。
如图5所示，是本实施例中基于灰狼优化和径向基神经网络的图像重建结果。灰狼算法能够提高网络的逼近精度，在灰狼优化算法的基础上，与径向基神经网络优秀的非线性能力相结合，把神经网络中的权值作为单个灰狼的初始位置，利用灰狼算法良好的全局需求能力求出成像模型中网络的最优权重，从而改变由于神经网络权值选择不当而导致的成像精度不足的问题，进一步提高电阻抗成像的准确度。
具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于灰狼优化和径向基神经网络的电阻抗成像方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，ROM)或随机存储记忆体(random access memory，RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机。MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种基于灰狼优化和径向基神经网络的电阻抗成像方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，包括如下步骤：
步骤1，对待测场域使用有限元法进行三角形剖分，建立有限元模型；
步骤2，采用径向基神经网络构建径向基神经网络成像模型，输出电阻抗分布结果；
步骤3，利用灰狼算法对径向基神经网络成像模型中的网络连接权值进行寻优计算，得到权值的最优解；
步骤4，计算权值的最优解得到优化的电阻抗成像模型，求解电阻抗成像模型进行图像重构。
2.根据权利要求1所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤1中，对待测场域使用有限元法进行三角形剖分时，假定每个单元上的电导率是常数，在单元的划分过程中，各个单元相交点为顶点，不同的单元相交，顶点的电位相等；对每个单元按逆时针方向进行编号，使得计算过程中得到的三角形单元面积为正值。
3.根据权利要求2所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤2中所述径向基神经网络，包括：输入层、隐含层和输出层。
4.根据权利要求3所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤2中所述径向基神经网络的输入层为电阻抗成像正问题结果电压差。
5.根据权利要求4所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤2中所述径向基神经网络的隐含层为高斯基函数。
6.根据权利要求5所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤2中所述径向基神经网络的输出层为逆问题求解结果电阻抗分布。
7.根据权利要求6所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤2中所述采用径向基神经网络构建径向基神经网络成像模型，具体包括以下步骤：
步骤2-1，初始化径向基神经网络，设置电极个数、网络精度输入电流和接触阻抗确定有限元模型；
步骤2-2，绘制场域几何模型，确定电极尺寸和注入激励电流的电极编号，设置背景区域与目标物的电导率；
步骤2-3，根据步骤2-2中设置的电导率分布进行正向计算求出径向基神经网络成像模型的边界电压；
步骤2-4，随机改变圆心坐标得到不同位置的圆形目标，重复计算步骤2-3得到不同坐标位置的正问题电势分布；
步骤2-5，选择某个三角形单元求解该单元电导率分布，按照有限元模型中的三角形单元坐标计算整个待测场域的电导率，得到训练集和测试集；
步骤2-6，利用训练集对径向基神经网络模型进行训练，得到径向基神经网络成像模型输出电阻抗分布结果。
8.根据权利要求7所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤3中所述利用灰狼算法对径向基神经网络成像模型中的网络连接权值进行寻优计算，具体包括以下步骤：
步骤3-1，初始化种群，包括种群的数量、迭代次数及确定灰狼的预估初始位置，构建灰狼初始位置与径向基神经网络的连接权值的映射关系；
步骤3-2，计算种群中每一个灰狼的适应度；
步骤3-3，按照适应度的大小依次划分不同等级的灰狼；
步骤3-4，更新迭代中所需参数a；
步骤3-5，判断是否达到最大迭代次数，若不满足则转到步骤3-2继续进行寻找最优值，否则输出适应度最高值为灰狼的最优位置即权值的最优解。
9.根据权利要求8所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤3中所述的灰狼算法中，迭代因子a是基于余弦的收敛因子，其迭代公式为：
Figure FDA0003697029570000021
式中：t为迭代次数；tmax为最大迭代次数，π为圆周率常数。
10.根据权利要求9所述的一种基于灰狼优化和径向基神经网络的电阻抗成像方法，其特征在于，步骤3中所述的灰狼算法为单目标优化，优化参数为径向基神经网络成像模型中隐含层与输出层的连接权值。
CN202210682981.7A 2022-06-16 2022-06-16 一种基于灰狼优化和径向基神经网络的电阻抗成像方法 Withdrawn CN115049800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210682981.7A CN115049800A (zh) 2022-06-16 2022-06-16 一种基于灰狼优化和径向基神经网络的电阻抗成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210682981.7A CN115049800A (zh) 2022-06-16 2022-06-16 一种基于灰狼优化和径向基神经网络的电阻抗成像方法

Publications (1)

Publication Number Publication Date
CN115049800A true CN115049800A (zh) 2022-09-13

Family

ID=83162229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210682981.7A Withdrawn CN115049800A (zh) 2022-06-16 2022-06-16 一种基于灰狼优化和径向基神经网络的电阻抗成像方法

Country Status (1)

Country Link
CN (1) CN115049800A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117054943A (zh) * 2023-10-11 2023-11-14 山东奥新医疗科技有限公司 基于径向基网络的磁共振成像方法、装置、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117054943A (zh) * 2023-10-11 2023-11-14 山东奥新医疗科技有限公司 基于径向基网络的磁共振成像方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109598768B (zh) 基于卷积神经网络的电学层析成像图像重建方法
Putra et al. Enhanced skin condition prediction through machine learning using dynamic training and testing augmentation
CN108898606B (zh) 医学图像的自动分割方法、系统、设备及存储介质
Mairhofer et al. RooTrak: automated recovery of three-dimensional plant root architecture in soil from X-ray microcomputed tomography images using visual tracking
Li et al. Refraction corrected transmission ultrasound computed tomography for application in breast imaging
Wang et al. Image reconstruction for electrical impedance tomography using radial basis function neural network based on hybrid particle swarm optimization algorithm
CN110930414B (zh) 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质
Chen et al. Structure-aware dual-branch network for electrical impedance tomography in cell culture imaging
Wu et al. Research on image reconstruction algorithms based on autoencoder neural network of Restricted Boltzmann Machine (RBM)
CN115049800A (zh) 一种基于灰狼优化和径向基神经网络的电阻抗成像方法
CN114169383A (zh) 有限元模型结构的应变-位移重构方法
Li et al. SAR-CGAN: Improved generative adversarial network for EIT reconstruction of lung diseases
Shi et al. CEGAT: A CNN and enhanced-GAT based on key sample selection strategy for hyperspectral image classification
CN116452820B (zh) 环境污染等级确定方法及装置
CN113208641A (zh) 基于三维多分辨注意力胶囊网络的肺结节辅助诊断方法
CN112420174A (zh) 基于3D Grad-CAM的自闭症大脑磁共振图像可视化方法
Zhang et al. Image reconstruction of electrical capacitance tomography based on adaptive support driven Bayesian reweighted algorithm
CN115294300A (zh) 多分支注意力先验参数化有限投影快速荧光断层重建方法
CN115616044A (zh) 基于压缩感知流型辨识的变化灵敏度场电容层析成像方法
Yang et al. An EIT image reconstruction method based on DenseNet with multi-scale convolution
Yang et al. Electrical Resistance Tomography Image Reconstruction Based on Res2net4 Network
Watzenig et al. Accelerated Markov chain Monte Carlo sampling in electrical capacitance tomography
CN105469396B (zh) 一种非负高阶张量拟牛顿搜索的纤维方向分布估计方法
Liang et al. An EIT image segmentation method based on projection distance minimization
Kunpeng et al. Automatic lung field segmentation based on the U-net deep neural network

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220913

WW01 Invention patent application withdrawn after publication