CN115272590B - 光学传输参数空间分布的重建方法、装置、系统及介质 - Google Patents

光学传输参数空间分布的重建方法、装置、系统及介质 Download PDF

Info

Publication number
CN115272590B
CN115272590B CN202211204706.0A CN202211204706A CN115272590B CN 115272590 B CN115272590 B CN 115272590B CN 202211204706 A CN202211204706 A CN 202211204706A CN 115272590 B CN115272590 B CN 115272590B
Authority
CN
China
Prior art keywords
optical transmission
region
variation
light source
learning model
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
Application number
CN202211204706.0A
Other languages
English (en)
Other versions
CN115272590A (zh
Inventor
汪待发
武迪
汪恭正
赵小静
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.)
Huichuang Keyi Beijing Technology Co ltd
Original Assignee
Huichuang Keyi Beijing Technology 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 Huichuang Keyi Beijing Technology Co ltd filed Critical Huichuang Keyi Beijing Technology Co ltd
Priority to CN202211204706.0A priority Critical patent/CN115272590B/zh
Publication of CN115272590A publication Critical patent/CN115272590A/zh
Application granted granted Critical
Publication of CN115272590B publication Critical patent/CN115272590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种光学传输参数空间分布的重建方法、装置、系统及介质。重建方法包括在待测区域表面以高密度拓扑结构布设光源和光源探测器，使每个光源与多个光源探测器之间形成多个探测通道，且每个光源与多个光源探测器间存在不同间距。在待测区域不包含吸收体的情况下获取待测区域的初始光学传输参数与初始出射光参数之间的映射关系；在存在吸收体的情况下基于光学传输参数的变化量和出射光参数的变化量构建训练样本；利用训练样本和基于映射关系确定的损失函数训练深度学习模型，使其能够对待测区域的光学传输参数空间分布在不同深度上进行高准确度、高空间分辨率的三维重建，得到高密度、高质量的三维图像。

Description

光学传输参数空间分布的重建方法、装置、系统及介质
技术领域
本申请属于医学人工智能领域，尤其涉及一种用于近红外脑功能成像技术的光学传输参数空间分布的重建方法、装置、系统及介质。
背景技术
近红外脑功能成像技术利用近红外光和光源-光源探测器组成的多通道传感，基于神经-血氧耦合机制，可以以高时间分辨探测和成像脑活动激活的变化，有效地对脑功能进行可视化和定量评估，例如，可用于对抑郁症、认知障碍等疾病进行诊断或评估。
现有的近红外脑功能成像技术中，在设置光源和光源探测器的排布方式，配置由成对的光源-光源探测器构成的探测通道时，通常情况下会将光源与光源探测器之间的距离设为固定的预设距离，例如3厘米左右，这样的设置使得近红外脑功能成像装置只能探测到固定位置所对应的组织深度的脑活动变化，而无法探测到更深的组织深度，难以获得更多的生理状态信息，无法实现三维成像，并且，该固定位置也使得近红外脑功能成像装置的空间分辨率不够高，无法实现高密度成像。并且，由于各个探测通道彼此不交叠，且具有相同的光源-探头距离，因此难以通过数据处理来提高空间分辨率。
目前有一些研究利用基于扩散模型的重建算法来对组织内部的光学传输参数的空间分布进行重建。但是由于组织内部包含各种类型的组织、结构等，光子在组织内部传输的过程中被多次散射，并且很大一部分被生色团（如血液、水、黑色素、胆红素等）吸收，因此，现有技术中重建方法很难以可接受的计算代价和计算时间并且较准确地重构出的光学传输参数的变化程度和变化范围，并且存在深度范围受限、重建后的图像质量准确度和精度较低、可能出现伪影等缺陷，这些导致重建图像的利用价值大大下降。
发明内容
提供本申请以解决现有技术中存在的上述缺陷。需要一种光学传输参数空间分布的重建方法、装置、系统及介质，能够利用光源探测器在待测区域表面以多种间距探测光源发射的光经待测区域后的出射光，经由深度学习模型来预测出待测区域内部的光学传输参数，以对待测区域的光学传输参数空间分布进行重建，使得具有更高的空间分辨率，从而实现高密度成像。本申请的重建方法还将不包含吸收体情况下的待测区域的初始光学传输参数与初始出射光参数之间的映射关系作为先验知识，并利用该映射关系在待测区域包含吸收体的情况下构建具有真值标注的训练样本，并结合该先验知识确定深度学习模型训练时的损失函数，从而使得训练好的深度学习模型能够对待测区域的光学传输参数空间分布在更大深度上进行高准确度、高空间分辨率的重建，由此重建的待测区域的图像也具有更高的图像质量。
根据本申请的第一方案，提供一种光学传输参数空间分布的重建方法，所述重建方法包括确定待测区域，所述待测区域的表面形成有由光源和光源探测器构成的拓扑结构，其中，所述光源用于向所述待测区域发射光，所述光源探测器用于探测出射光，所述拓扑结构被构造为：每个所述光源与多个所述光源探测器之间形成有探测通道，且每个所述光源与多个所述光源探测器之间存在不同间距。所述重建方法还包括在所述待测区域不包含吸收体的情况下，获取所述待测区域的初始光学传输参数与初始出射光参数之间的映射关系；在所述待测区域内存在吸收体的情况下，基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本，其中，所述吸收体对所述光源发射的光具有吸收作用；利用所述训练样本对所构建的深度学习模型进行训练，具体包括基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数，利用所述第一损失函数来对所述深度学习模型进行训练。所述重建方法进一步包括利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建。
根据本申请的第二方案，提供一种光学传输参数空间分布的重建装置，所述重建装置至少包括处理器和存储器，所述存储器上存储有计算机可执行指令，所述处理器在执行所述计算机可执行指令时执行根据本申请各个实施例的光学传输参数空间分布的重建方法。
根据本申请的第三方案，提供一种近红外脑功能成像系统，包括近红外光学数据采集装置和根据本申请各个实施例的光学传输参数空间分布的重建装置，其中，所述近红外光学数据采集装置包括头帽，所述头帽上设置有用于向受检者的目标头部区域发射近红外光的光源，以及用于探测出射近红外光的光源探测器。
根据本申请的第四方案，提供一种存储有程序的非暂时性计算机可读存储介质，所述程序使得处理器执行根据本申请各个实施例的光学传输参数空间分布的重建方法的各种操作。
本申请各个实施例提供的光学传输参数空间分布的重建方法、装置、系统及介质，通过将待测区域表面的光源和光源探测器的拓扑结构构造为每个光源与多个光源探测器之间形成有探测通道，且每个光源与多个光源探测器之间存在不同间距，一方面能够探测到待测区域更深部的光学传输参数，同时也使得所探测的光学传输参数在空间分布上具有更高的分辨率。根据本申请的重建方法还构建了深度学习模型来对光学传输参数空间分布进行三维重建，并通过求取不包含吸收体情况下的待测区域初始光学传输参数与初始出射光参数之间的映射关系，并利用该映射关系和包含吸收体情况下的待测区域的光学传输参数的变化量和出射光参数的变化量来构建具有真值标注的训练样本，并在利用上述训练样本对深度学习模型进行训练时，进一步将该映射关系作为先验知识来确定训练的损失函数，使得训练好的深度学习模型能够更准确地预测出待测区域内的光学传输参数的变化量，从而可以在更广的深度范围内对待测区域的光学传输参数空间分布进行高准确度、高空间分辨率的三维重建，由此重建的待测区域的三维图像也具有更高的图像质量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1（a）示出根据本申请实施例的待测区域及其表面的光源和光源探测器布局的示意图。
图1（b）示出根据本申请实施例的待测区域的表面由光源和光源探测器构成的拓扑结构的示意图。
图2示出根据本申请实施例的光学传输参数空间分布的重建方法的流程示意图。
图3示出根据本申请实施例的对交叠吸收体的吸收系数进行融合的MBM算法的示意图。
图4示出根据本申请实施例的深度学习模型的部分结构的示意图。
图5示出根据本申请实施例的特征提取骨干网络的部分组成示意图。
图6示出根据本申请实施例的吸收体光学传输参数空间分布的真实值和深度学习模型的重建结果的三维示意图。
图7（a）示出根据本申请实施例的光学传输参数重建结果在不同深度的剖面图。
图7（b）示出根据本申请实施例的光学传输参数重建结果在不同深度的剖面图。
图8示出根据本申请实施例的光学传输参数空间分布的重建装置的部分结构示意图。
图9示出根据本申请实施例的近红外脑功能成像系统的部分组成示意图。
具体实施方式
为了使得本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例的附图，对本申请实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于所描述的本申请的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另外定义，本申请使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
为了保持本申请实施例的以下说明清楚且简明，本申请省略了已知功能和已知部件的详细说明。
图1（a）示出根据本申请实施例的待测区域及其表面的光源和光源探测器布局的示意图。图1（b）示出根据本申请实施例的待测区域的表面由光源和光源探测器构成的拓扑结构的示意图。其中，图1（a）中示出的立方体待测区域为示意性的，须知待测区域的形状不一定为立方体，也可以是任意形状的三维空间区域。以图1（a）所示出的为例，待测区域Ω在空间三个尺度方向上的尺寸X、Y、Z分别为6cm、6cm、3cm，在三个尺度方向上分别可以具有分辨率ΔX、ΔY、ΔZ，按照各个方向上的分辨率，可以将待测区域划分为一定数量的体素。仅作为示例，例如在ΔX、ΔY、ΔZ均为0.5cm的情况下，Ω中可以包括1183个离散的体素。在Ω的表面按照一定的布局布设有光源和光源探测器，其中，光源用于向待测区域发射光，光源探测器用于探测出射光。如图例所示，白色原点表示光源，黑色原点表示光源探测器，在图1（a）所示的布局中，光源与光源探测器以交替的方式布设，光源数量为13个，光源探测器的数量为12个。在另一些实施例中，也可以采用其他的布局方式，光源和光源探测器的数量也可以根据探测的需要按需设置。在图1（a）的布局下，图1（b）示例性地示出了各个光源与光源探测器所构成的拓扑结构，其中，以点划线表示存在连接，即，点划线所连接的成对的光源和光源探测器之间形成有探测通道。进一步地，在本申请的实施例中，由光源和光源探测器所构成的拓扑结构使得每个光源与多个光源探测器之间存在不同间距。例如，在图1（b）中，以光源S1为例，其与光源探测器D1之间的间距为L1，而与光源探测器D2之间的间距为L2，与光源探测器D3之间的间距为L3，很显然，L1、L2和L3彼此不同。在一些实施例中，光源与部分的光源探测器之间也可以具有相同的间距，例如图1（b）中S1与D4之间的距离也为L1，本申请对此不做限制，只要在光源与多个光源探测器之间存在至少两种不同的间距即可。仅作为示例，从图1（a）和图1（b）可知，L1约为1.5cm，L2约为3.35cm，L3约为6.18cm，以近红外光学数据采集装置中常用的排布图中光源与光源探测器之间的距离为3cm为例，本申请实施例中的光源与光源探测器之间的距离既有比3cm更短的1.5cm，也有与3cm相当的3.35cm，还有比3cm更长的6.18cm，这样，不仅可以对待测区域的不同深度进行探测，同时，由于光源与光源探测器以较高的密度在待测区域表面排布，因此还可以利用光源-光源探测器距离的多样性，通过对光在待测区域内部不同深度的探测数据的综合处理，使得探测精度和空间分辨率都得到进一步提高。在利用图1（a）所示的光源和光源探测器的布局以及图1（b）所示的拓扑结构进行待测区域的探测时，可以分时或同时地利用各个光源向待测区域发射光，并利用对应探测通道的光源探测器探测出射光，本申请对此不做具体限制。
图2示出根据本申请实施例的光学传输参数空间分布的重建方法的流程示意图。
在步骤201中，可以首先确定待测区域Ω，待测区域Ω的表面形成有由光源和光源探测器构成的拓扑结构HDSD，其中，所述光源用于向待测区域Ω发射光，所述光源探测器用于探测出射光，所述拓扑结构HDSD被构造为：每个所述光源与多个所述光源探测器之间形成有探测通道，且每个所述光源与多个所述光源探测器之间存在不同间距。确定待测区域Ω的具体过程已经在上文中结合图1（a）和图1（b）进行了详细的描述，在此不赘述。在下面描述的实施例中，如无特殊说明，均采用图1（a）和图1（b）所示的光源和光源探测器的布局以及拓扑结构来对本申请的光学传输参数空间分布的重建方法进行说明，但本申请不限于此。
然后，在步骤202中，可以在待测区域Ω不包含吸收体的情况下，获取待测区域Ω的初始光学传输参数与初始出射光参数之间的映射关系。在一些实施例中，光学传输参数至少可以包括吸收系数。在另一些实施例中，光学传输参数还可以包括散射系数等，本申请对此不做具体限定。在一些实施例中，出射光参数例如可以包括出射光的光子强度，即，也可以是与出射光的光子强度具有特定对应关系的其他参数。
在一些实施例中，在不包含吸收体的情况下，可以将待测区域Ω中每个体素的初始吸收系数设置为相同，例如假设光源为近红外光源并向待测区域Ω发射750nm的近红外光，待测区域Ω中每个体素的初始吸收系数可以设置为0.173mm-1或其他的值。在不包含吸收体并设定了待测区域的初始光学传输参数的情况下，待测区域Ω可以表示为下述公式（1）：
Figure 502026DEST_PATH_IMAGE001
（1）
其中，
Figure 622429DEST_PATH_IMAGE002
和
Figure 136586DEST_PATH_IMAGE003
分别为待测区域Ω在三个尺度方向上的尺寸和对 应尺度上的分辨率，
Figure 689053DEST_PATH_IMAGE004
和
Figure 300163DEST_PATH_IMAGE005
分别为待测区域Ω的初始吸收系数和初始散射系数，
Figure 529150DEST_PATH_IMAGE006
为 光源和光源探测器在待测区域Ω的表面形成的拓扑结构，上述各个参数所构成的参数集合 可以用于表征特定的待测区域
Figure 327342DEST_PATH_IMAGE007
。
在此基础上，可以进一步利用公式（2）获取在光源和光源探测器在待测区域Ω的 表面形成的拓扑结构为
Figure 182034DEST_PATH_IMAGE006
的情况下，待测区域Ω的初始光学传输参数与初始出射光参 数之间的映射关系，
Figure 585334DEST_PATH_IMAGE008
（2）
其中，
Figure 109856DEST_PATH_IMAGE009
表示待测区域Ω的初始光学传输参数与初始出射光参数之间的映射关系，
Figure 270710DEST_PATH_IMAGE010
表示待测区域Ω内每个体素的体积，
Figure 804459DEST_PATH_IMAGE011
表示光源所发出的光在待测区域Ω内的光速，
Figure 485102DEST_PATH_IMAGE012
表 示待测区域Ω内的体素的数量，
Figure 649367DEST_PATH_IMAGE013
表示光源所发出的光的波长，
Figure 422151DEST_PATH_IMAGE014
表示光源的位置，
Figure 103799DEST_PATH_IMAGE015
表示光 源探测器的位置，
Figure 278428DEST_PATH_IMAGE016
表示体素的位置，
Figure 534966DEST_PATH_IMAGE017
表示光源所发出的光在待测区域Ω内的扩散系数，
Figure 795046DEST_PATH_IMAGE018
表示
Figure 280385DEST_PATH_IMAGE014
与
Figure 512783DEST_PATH_IMAGE016
两点间的格林函数，
Figure 815589DEST_PATH_IMAGE019
表示
Figure 923484DEST_PATH_IMAGE016
与
Figure 337148DEST_PATH_IMAGE015
两点间的格林函数，
Figure 361736DEST_PATH_IMAGE020
表示
Figure 835443DEST_PATH_IMAGE014
与
Figure 929169DEST_PATH_IMAGE015
两点间的格林函数。可以理解的是，
Figure 880945DEST_PATH_IMAGE009
能够用于表征在待测区域Ω中未放入吸收 体的情况下，待测区域Ω的初始光学传输参数与初始出射光参数之间的映射关系，但与待 测区域Ω的初始光学传输参数与初始出射光参数均无关，其与光源和光源探测器在待测区 域Ω的表面形成的拓扑结构
Figure 87935DEST_PATH_IMAGE021
、光源所发出的光进入待测区域Ω的光学参数以及光的 波长等参数相关，也就是说，光源和光源探测器采用另一种拓扑结构时，映射关系
Figure 607910DEST_PATH_IMAGE009
也会随 之发生变化。
在利用光源向待测区域Ω发射光时，可以假定光源为各向同性光源，即，光子在各个方向上到达距离相同位置的时间也相同，光源不随时间改变，因此可消去时间对光源和光子密度分布的影响，以及位置的方向性对散射系数的影响。
本申请的实施例中光源采用连续波辐射的形式，可以使用辐射传输方程来表示光子在生物组织中的传播特性，该辐射传输方程可近似为扩散方程，如下面的公式（3）所示：
Figure 329878DEST_PATH_IMAGE022
（3）
待测区域Ω的光子密度分布可从公式（3）推导得到，为了利用光源所发出的光经由待测区域Ω后出射的出射光参数得到待测区域Ω内的光学传输参数，可以将推导得出的公式抽象为如下公式（4）：
Figure 711443DEST_PATH_IMAGE023
（4）
其中，
Figure 507361DEST_PATH_IMAGE024
为待测区域Ω表面的诸如光子强度等出射光参数，而
Figure 322870DEST_PATH_IMAGE025
则是待测区域Ω的 光学传输参数。
进一步地，当光学传输参数x的变化量
Figure 141921DEST_PATH_IMAGE026
远远小于
Figure 966658DEST_PATH_IMAGE025
时，本申请的实施例使用 Rytov近似来线性表示出射光参数变化量
Figure 804033DEST_PATH_IMAGE027
和光学传输参数扰动之间的关系（如下面的公 式（5）），Rytov近似能够使背景光学中的微小扰动以较为稳健的方式得以分离：
Figure 524864DEST_PATH_IMAGE028
（5）
其中，
Figure 831212DEST_PATH_IMAGE029
为与待测区域Ω内的初始光学传输参数为
Figure 928481DEST_PATH_IMAGE030
时所对应的待测区域Ω表面 的初始出射光参数，
Figure 964570DEST_PATH_IMAGE024
为与待测区域Ω内的光学传输参数为
Figure 482401DEST_PATH_IMAGE025
时所对应的待测区域Ω表面 的出射光参数，
Figure 400678DEST_PATH_IMAGE026
为待测区域Ω的光学传输参数的变化量。
接下来，在步骤203中，在待测区域Ω内存在吸收体的情况下，基于所述待测区域 Ω的光学传输参数的变化量
Figure 177005DEST_PATH_IMAGE026
和出射光参数的变化量
Figure 864338DEST_PATH_IMAGE027
来构建训练样本，其中，所述吸 收体对所述光源发射的光具有吸收作用，因此，在待测区域Ω内放置吸收体后，待测区域Ω 内的光学传输参数会随之发生相应的变化。
在一些实施例中，通过在待测区域Ω内放置吸收体，并将放置吸收体后待测区域 Ω的光学传输参数与步骤202中待测区域Ω不包含吸收体时的初始光学传输参数进行比 较，例如将两者的差值
Figure 317185DEST_PATH_IMAGE026
作为光学传输参数的变化量。对应地，确定光学传输参数的变化 量
Figure 457179DEST_PATH_IMAGE026
后，可以基于公式（5）来计算光源探测器处的出射光参数的变化量
Figure 365092DEST_PATH_IMAGE027
，并将
Figure 782298DEST_PATH_IMAGE031
数据 对作为一条训练样本，在待测区域Ω中随机放置至少一个吸收体，产生多个
Figure 546992DEST_PATH_IMAGE031
数据对， 直到生成训练样本集所需数量的训练样本。
然后，在步骤204中，利用所述训练样本对所构建的深度学习模型进行训练，具体包括：基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数，利用所述第一损失函数来对所述深度学习模型进行训练。
深度学习模型用于基于出射光参数的变化量
Figure 377545DEST_PATH_IMAGE027
来预测对应的待测区域Ω的光学 传输参数的变化量
Figure 234687DEST_PATH_IMAGE032
，例如可以记为
Figure 896613DEST_PATH_IMAGE033
。因此，在将训练样本
Figure 441995DEST_PATH_IMAGE031
中的
Figure 759843DEST_PATH_IMAGE034
输入深度学 习模型后，可以按下面的公式（6）得到光学传输参数的变化量的预测值
Figure 540718DEST_PATH_IMAGE035
：
Figure 447363DEST_PATH_IMAGE036
（6）
然后，可以将在步骤202中求取的能够表征待测区域的初始光学传输参数与初始 出射光参数之间的映射关系
Figure 491542DEST_PATH_IMAGE009
作为先验知识，得到与
Figure 359004DEST_PATH_IMAGE035
对应的出射光参数的变化量的预测 值
Figure 818935DEST_PATH_IMAGE037
，即：
Figure 393136DEST_PATH_IMAGE038
。
在一些实施例中，包括但不限于将
Figure 404954DEST_PATH_IMAGE037
和
Figure 120232DEST_PATH_IMAGE034
的均方误差（Mean Square Error, MSE）作为第一损失函数，如下面的公式（7）所示：
Figure 508488DEST_PATH_IMAGE039
（7）
在其他一些实施例中，也可以将利用其他的函数计算的
Figure 937195DEST_PATH_IMAGE037
和
Figure 260860DEST_PATH_IMAGE034
之间的偏差作为 第一损失函数，本申请对此不做限制。由于第一损失函数
Figure 837335DEST_PATH_IMAGE040
中的
Figure 966965DEST_PATH_IMAGE037
应用了表征待测区域 Ω内的光学传输参数与出射光参数之间的映射关系
Figure 968288DEST_PATH_IMAGE009
作为先验知识，而映射关系
Figure 790750DEST_PATH_IMAGE009
与光源 和光源探测器在待测区域Ω的表面形成的拓扑结构
Figure 464308DEST_PATH_IMAGE006
相关联，也就是说，映射关系
Figure 459946DEST_PATH_IMAGE009
中 携带有各个光源和光源探测器在待测区域Ω的表面的空间位置信息。因此，利用第一损失 函数
Figure 597666DEST_PATH_IMAGE040
来对深度学习模型进行训练，能够从整体上提升对待测区域Ω内的光学传输参数 空间分布的重建质量，提升对吸收体位置估计的准确度。
接下来，在步骤205中，可以利用训练好的深度学习模型来对待测区域Ω的光学传输参数空间分布进行重建。
具体地，可以将根据实际测量的待测区域Ω的出射光参数所确定的出射光参数变化量作为训练好的深度学习模型的输入，并基于训练好的深度学习模型输出的待测区域Ω的光学传输参数的变化量，来对待测区域Ω的光学传输参数空间分布进行重建。
根据本申请的实施例利用上述步骤201-步骤205，在待测区域表面以高密度的拓扑结构布设光源和光源探测器，在此，“高密度的拓扑结构”特指使得每个光源与多个光源探测器之间形成有多个探测通道，且每个光源与多个光源探测器之间存在不同间距。当光源与光源探测器之间间距较小时，两者所构成的探测通道所探测到的待测区域的深度较浅，反之，当光源与光源探测器之间间距较大时，则可以对待测区域的更深部进行探测，因此，根据本申请的实施例可以对待测区域更广的深度范围进行探测，并且具有高空间分辨率。本申请的实施例还构建了用于对待测区域的光学传输参数空间分布进行重建的深度学习模型，通过求取待测区域不包含吸收体情况下的初始光学传输参数与初始出射光参数之间的映射关系，并将其作为先验知识，在待测区域包含随机生成的多样化的吸收体的情况下来构建具有对应真值的训练样本，同时，还利用包含光源与光源探测器的空间位置信息的映射关系来构建深度学习模型的损失函数，由此训练得到的深度学习模型具有良好的泛化能力，能够对待测区域的光学传输参数空间分布进行准确且高空间分辨率的三维重建，并且整体重建质量也较高。
在一些实施例中，步骤203所述的在所述待测区域内存在吸收体的情况下， 基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本具体可以包括：在待测区域Ω内放置从预设属性集合中选择属性的吸收体，基于所述吸收体的属性，确定放置所述吸收体前后所述待测区域的光学传输参数的变化量，其中，所述吸收体的属性包括数量、尺寸、吸收系数以及其位于所述待测区域内的位置中的至少一种。
具体地，可以假设待测区域Ω中吸收体O的数量从自然数集合{1,2,…,N1}中选 取，其中，N1例如可以根据待测区域Ω内的吸收体的尺寸范围S等属性来相关联地设置，申 请对此不做限制。假设每个吸收体的编号为
Figure 13867DEST_PATH_IMAGE041
，在一些实施例中，还可以假设第
Figure 564934DEST_PATH_IMAGE043
个吸收体
Figure 36366DEST_PATH_IMAGE044
的尺寸
Figure 966276DEST_PATH_IMAGE045
、
Figure 192858DEST_PATH_IMAGE046
、
Figure 824697DEST_PATH_IMAGE047
为设定的吸收体的尺寸范围
Figure 99820DEST_PATH_IMAGE048
的随机组合。
在一些实施例中，还可以假设第
Figure 540029DEST_PATH_IMAGE043
个吸收体
Figure 281720DEST_PATH_IMAGE044
的中心点位置
Figure 745062DEST_PATH_IMAGE049
属于
Figure 355035DEST_PATH_IMAGE050
，
Figure 275849DEST_PATH_IMAGE051
表示在各个吸收体
Figure 313075DEST_PATH_IMAGE044
的尺寸给定的情况下所有中心点位置的集合。也就是说，在放置吸收 体时，可以在适合的位置随机放置，但值得注意的是，应结合吸收体的尺寸，使得吸收体放 置后不超出待测区域Ω的边界。
在一些实施例中，可以假设第
Figure 263713DEST_PATH_IMAGE043
个吸收体
Figure 818323DEST_PATH_IMAGE044
的吸收系数为
Figure 701965DEST_PATH_IMAGE052
，
Figure 378934DEST_PATH_IMAGE052
属于待测区域Ω 中可能存在的各种吸收体的可取的吸收系数的集合
Figure 738240DEST_PATH_IMAGE053
。
在按上述方法定义了包括数量、尺寸、吸收系数以及其位于待测区域Ω内的位置中的至少一种吸收体的属性的集合之后，可以从各个属性的集合中随机采样，并将所采样的属性赋予吸收体并放置在待测区域Ω内。仅作为示例，例如可以设定每个样本中包含吸收体的个数不超过5个（也可以为其他数值），每个吸收体的长宽在0.2cm-3cm之间，高度在0.2cm-2cm之间，吸收系数的相对变化量在0-0.077mm-1之间等。
在一些实施例中，还可以假设各个吸收体
Figure 690016DEST_PATH_IMAGE044
具有单一的吸收系数
Figure 897006DEST_PATH_IMAGE052
，即，单个的 吸收体的吸收系数是均匀的，并且，在待测区域Ω内存在多个吸收体，并且有吸收体存在交 叠的情况下，可以按照如图3所示的根据本申请实施例的MBM算法来对各个交叠吸收体的吸 收系数进行融合处理。
在如图3所示的MBM算法中，示出了基于从吸收体属性集合中的三种采样（采样1、采样2和采样3）而生成的三个待放置的吸收体，可以首先确定存在交叠的各个吸收体中具有较大吸收系数的吸收体，然后将该吸收体的吸收系数作为交叠部分的吸收系数，各个吸收体非重叠部分则保留各自的吸收系数即可。按照上述MBM算法设置吸收体的吸收系数，既保留了对光子传播具有主要影响的较大的吸收系数，又可以避免待测区域Ω各个体素上的吸收系数过多地叠加而使得吸收系数超出合理的范围。
在待测区域Ω内放置吸收体并设定了吸收体的属性，且对吸收体的吸收系数进行 恰当的处理之后，可以确定放置所述吸收体
Figure 416980DEST_PATH_IMAGE044
前后待测区域Ω的光学传输参数的变化量
Figure 873369DEST_PATH_IMAGE032
和在步骤203中求取的表征待测区域Ω的初始光学传输参数与初始出射光参数之间的映射 关系A，利用
Figure 832098DEST_PATH_IMAGE054
来得到与
Figure 582010DEST_PATH_IMAGE026
对应的出射光参数的变化量
Figure 397520DEST_PATH_IMAGE027
，并将
Figure 544467DEST_PATH_IMAGE031
作为训练 样本。
按照上述方法生成的吸收体可以充分地模拟待测区域Ω中光学传输参数空间分布可能存在的各种复合和复杂情况，据此生成的训练样本具有较好的多样性和真实性，在用于深度学习模型的训练时，能够使得以可接受的样本规模获取较好的泛化能力。
下面结合图4对根据本申请实施例的深度学习模型的主要结构进行说明。
图4所示的深度学习模型基于至少一个卷积层401、特征提取骨干网络402、全连接 网络403依序串联而构成。如图4所示，至少一个卷积层401用于对输入所述深度学习模型的 三维变化量矩阵
Figure 713412DEST_PATH_IMAGE055
进行特征提取，其中，三维变化量矩阵
Figure 691732DEST_PATH_IMAGE055
可以是由训练样本中的出射光 参数的变化量
Figure 881405DEST_PATH_IMAGE027
按照一定的规则变换而得到，例如可以对
Figure 437020DEST_PATH_IMAGE027
进行维度变换而得到三维变 化量矩阵
Figure 799868DEST_PATH_IMAGE055
，
Figure 242482DEST_PATH_IMAGE055
中包含吸收体在待测区域中的深度信息，以便于深度学习模型能够从不同 深度维度上提取到吸收体的特征。在另一些实施例中，作为深度学习模型的输入的出射光 参数的变化量
Figure 603056DEST_PATH_IMAGE034
可以为多个，仅作为示例，例如可以在待测区域包含不同深度的吸收体的 情况下获取多个出射光参数的变化量
Figure 786913DEST_PATH_IMAGE034
，并对各个
Figure 48392DEST_PATH_IMAGE034
按照光源探测器与光源之间的对应 关系进行维度变换，得到多个二维矩阵，并将多个二维矩阵按照一定的规则复合后作为三 维变化量矩阵
Figure 938988DEST_PATH_IMAGE055
，在这种情况下，三维变化量矩阵
Figure 267201DEST_PATH_IMAGE055
中至少包含吸收体在待测区域中的深 度信息。在其他实施例中，也可以采用其他的变换方式来基于
Figure 548141DEST_PATH_IMAGE034
得到三维变化量矩阵
Figure 456054DEST_PATH_IMAGE055
，本 申请对此不做具体限制。
特征提取骨干网络402由集成了压缩和激励模块的残差神经网络（SE-ResNet）构 成，用于为所提取的特征分配注意力权重，并基于注意力权重对所提取的特征进行加权处 理，其中，压缩和激励模块可以为一个或多个，以对待测区域在深度和/或广度上进行压缩 和激励。图5示出根据本申请实施例的特征提取骨干网络的部分组成示意图。如图5所示，在 特征骨干提取网络中，首先可以由池化层对前级经由至少一个卷积层401对三维变化量矩 阵
Figure 997894DEST_PATH_IMAGE055
的高维度特征所提取的特征进行深度维度和/或广度维度的最大池化或平均池化处 理，以对广度信息进行压缩处理为例，可以对各个深度上的广度信息进行压缩，根据池化结 果，确定待成像区域的不同深度维度的全局信息，基于该全局信息确定各个深度维度的注 意力权重，利用全连接层和激活函数来对各个注意力权重进行调整，然后进行注意力加权， 输出带有注意力权重的特征，最后利用图4所示的全连接网络403来与待测区域的维度进行 匹配，输出光学传输参数的变化量的预测值，来对待测区域的光学传输参数空间分布进行 重建。经过上述不同维度的压缩和激励过程，可以准确地识别待测区域内吸收体的位置、尺 寸等参数信息，使得深度学习模型在学习的过程中更充分地利用输入的出射光参数的变化 量矩阵
Figure 887221DEST_PATH_IMAGE027
中的有效信息，更好地关注到与吸收体所引起的待测区域的光学传输参数的变 化相关的局部特征，从而提高深度学习模型的性能，提升重建的精度。
此外，在特征提取骨干网络402中通过残差连接引入残差特征，可以有效防止深度学习模型具有较深的层数时，在训练中出现退化现象而导致网络后部分层的梯度无法更新的问题，因此也可以帮助深度学习模型持续训练以达到更好的性能。
全连接网络403具有与所述待测区域中的体素数量相同的节点数量，用于基于带 有注意力权重的特征，对所述待测区域内各个体素的光学传输参数的变化量进行回归预 测。由此，深度学习模型将经全连接网络403输出待测区域内各个体素的光学传输参数的变 化量的预测值
Figure 717774DEST_PATH_IMAGE035
，作为所预测的待测区域的光学传输参数空间分布。
在一个优选实施例中，还可以基于多任务学习来利用多种损失函数对深度学习模 型进行联合训练。例如可以将训练样本中与
Figure 694957DEST_PATH_IMAGE034
对应的光学传输参数的变化量
Figure 497828DEST_PATH_IMAGE026
作为深度 学习模型输出的光学传输参数的变化量的预测值
Figure 371106DEST_PATH_IMAGE035
的地面真值，并将
Figure 485693DEST_PATH_IMAGE035
和
Figure 158245DEST_PATH_IMAGE026
的均方误差 作为第二损失函数
Figure 674677DEST_PATH_IMAGE056
，如下面的公式（8）所示：
Figure 718856DEST_PATH_IMAGE057
（8）
此外，发明人通过实验发现，第二损失函数
Figure 461684DEST_PATH_IMAGE056
对特征的细小变化不敏感，在重建 过程中容易导致噪声和伪影，因此，根据本申请的实施例进一步引入第三损失函数
Figure 46249DEST_PATH_IMAGE058
， 即，将
Figure 620450DEST_PATH_IMAGE035
和
Figure 22481DEST_PATH_IMAGE026
的平均绝对误差作为第三损失函数
Figure 252605DEST_PATH_IMAGE058
，如下面的公式（9）所示：
Figure 844124DEST_PATH_IMAGE059
（9）
在一些实施例中，可以基于包括公式（7）定义的第一损失函数、公式（8）定义的第二损失函数和公式（9）定义的第三损失函数在内的组合损失函数来对深度学习模型进行训练。在一些实施例中，可以对上述三个损失函数按照一定比例进行加权处理。在一个优选实施例中，将第一损失函数的权重设置为大于第二损失函数和第三损失函数的权重，优选地，发明人将第一损失函数、第二损失函数和第三损失函数的权重分别设置为0.7、0.1、和0.2，这样，可以更着重地考虑应用了作为先验知识的映射关系A的第一损失函数，并且能够平衡三个损失函数间的偏差，重点提升重建的整体的准确度和泛化性能，而通过将第三损失函数的权重设置为高于第二损失函数，则可以使得深度学习模型对较小的光学传输参数变化更加敏感，有助于进一步提升重建光学传输参数的变化量的质量。
在另外一些实施例中，在对深度学习模型训练完成后，还可以利用验证样本集和测试样本集对训练好的深度学习模型进行验证和测试，例如，训练样本集、验证样本集和测试样本集的比例可以设置为0.9:0.05:0.05。其中，验证样本集可以按照与生成训练样本类似的方法生成，并且同样带有地面真值标注。并且其中，所生成的验证集在所包含的吸收体的尺寸分布、位置分布等方面与训练样本集中的尺寸分布和位置分布等应保持大致接近。进一步地，还可以使用验证样本集对深度学习模型进行超参数调优，例如参数优化器可以使用Adam，并使用结合了第一损失函数、第二损失函数和第三损失函数的组合损失函数进行反向传播。测试数据集可以用于对模型的泛化能力等进行测试评估。
在一些实施例中，利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建可以进一步包括：获取受检者在脑部生理状态发生变化情况下相对其在静息态下的出射光参数的代表性变化量，其中，所述待测区域为受检者的目标头部区域，然后，将所述出射光参数的代表性变化量输入到训练好的所述深度学习模型，以获取所述待测区域光学传输参数的变化量的预测值，作为重建后的所述待测区域的光学传输参数空间分布。在一些实施例中，上述代表性变化量例如可以是受检者在脑部生理状态发生变化情况下的出射光参数与预设时长的静息态下出射光参数的平均值之间的差值，也可以是按照其他方式计算得到的受检者在脑部生理状态发生变化情况下与静息态下的出射光参数之间的偏差等，本申请对此不做限制。
进一步地，在进行近红外脑功能检测的情况下，光学传输参数为近红外光的光学传输参数，在利用深度学习模型输出重建后的待测区域的光学传输参数空间分布之后，还可以基于重建后的待测区域的光学传输参数空间分布，生成重建后的待测区域在不同组织深度的三维的近红外脑功能图像。
图6示出根据本申请实施例的吸收体的光学传输参数空间分布的真实值和深度学习模型的重建结果的三维示意图。
图6左列为按照本申请实施例的训练样本生成方法所生成的包含吸收体的训练样本，其中，待测区域内部深色部分为所生成的吸收体。图6中列示出的是利用现有技术对待测区域的光学传输参数空间分布进行重建的结果，右列示出的是利用本申请实施例的光学传输参数空间分布的重建方法对待测区域的光学传输参数空间分布进行重建的结果。通过比较可以看出，针对不同数量、形状的吸收体，根据本申请实施例的重建方法相较现有技术的重建方法均具有较高的准确度和重建精度。
图7（a）和图7（b）示出根据本申请实施例的光学传输参数重建结果在不同深度的剖面图。在图7（a）和图7（b）中，第一行为按照本申请实施例的训练样本生成方法在待测区域放置吸收体后所生成的训练样本在不同深度（从0.0cm到3.0cm）的二维剖面图，其中，深色区域为背景区域，浅色区域为包含吸收体的区域。在图7（a）和图7（b）的第二行和第三行分别为利用现有技术的重建方法和利用本申请的重建方法对待测区域光学传输参数空间分布进行重建后，对应深度的二维剖面图。
从图7（a）可以看到，所放置的两个无交叠的吸收体大概位于深度为2.0厘米-3.0厘米之间，处于较深的位置，而在深度1.5cm到待测区域表面（0.0cm）则并未放置吸收体。通过两种方法重建的二维剖面图的比较可知，现有技术的重建方法未能对两个吸收体独立识别，并且几乎未能识别吸收体在深度为3.0cm的部分，而对于不存在吸收体的深度1.5cm处，以及完全没有吸收体的更浅处，其产生了不期望的较为明显的伪影或噪声。相对于现有技术方法，根据本申请实施例的重建方法基本能够识别为两个吸收体，并且能够部分识别吸收体在3.0cm处的部分，此外，与现有技术相比，在不存在吸收体的深度所产生的伪影和噪声也较少。
从图7（b）所示的待测区域中可以看到，所放置的两个相互有交叠的吸收体，其中一个的深度大约位于0.0cm-2.0cm，另一个的深度大约位于0.0cm-1.5cm，而在深度2.5cm-3.0cm的范围内则未放置吸收体。通过两种方法重建的二维剖面图的比较可知，现有技术的重建方法对深度位于0.5cm-1.5cm中等深度的吸收体能够较好地识别，而对于位于深度为0.0cm以及深度为2.0cm处的吸收体则未能很好地识别，因此其适用的深度范围较小且受限，并且，对于两个吸收体相互交叠的情况，其识别的精度较低，未能准确重建各处吸收系数之间的细微差别。与其相比较，根据本申请实施例的重建方法能够进行重建的深度更深，所重建的待测区域各个深度层上吸收系数的分布与真实值较为接近，准确重建了0.0cm-2.0cm处的两个交叠的吸收体及其具有差异的吸收系数，重建的准确度和精度都较高。
通过图7（a）和图7（b）可知，根据本申请实施例的光学传输参数空间分布的重建方法相比现有技术的重建方法，能够适用于更加多样化的光学传输参数空间分布的重建，并且能够适用的重建深度范围更广泛，在各个深度上都具有更高的重建准确度和重建精度（包括在更浅的深度和更深的深度都有相较对比方法更优的性能），因此，本申请的重建方法具有更高的性能和更好的泛化能力。
此外，通过对多次实验的统计，根据本申请实施例的重建方法在对1000个样例进行重建时，平均重建时间为0.0094秒，相对于现有技术具有较好的实时性。
本申请实施例还提供一种光学传输参数空间分布的重建装置。图8示出根据本申请实施例的光学传输参数空间分布的重建装置的部分结构示意图。图8所示的光学传输参数空间分布的重建装置800至少可以包括处理器801和存储器802，存储器802上存储有计算机可执行指令，此外，存储器802还可以存储经由光学检测设备等获取的用于待测区域的近红外数据等光学数据，等等。
图8所示的处理器801在执行该计算机可执行指令时可以执行根据本申请各个实施例所述的光学传输参数空间分布的重建方法的各种操作。
处理器801可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，处理器801可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。处理器801还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。处理器801可以通信地耦合到存储器802并且被配置为执行存储在其上的计算机可执行指令，以执行上述各个实施例的光学传输参数空间分布的重建方法。
存储器802可以是非暂时性计算机可读的介质，诸如只读存储器（ROM）、随机存取存储器（RAM）、相变随机存取存储器（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、电可擦除可编程只读存储器（EEPROM）、其他类型的随机存取存储器（RAM）、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器（CD-ROM）、数字通用光盘（DVD）或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
根据本申请实施例的光学传输参数空间分布的重建装置800，能够在待测区域表面以高密度方式布置光源和光源探测器的拓扑结构，并构建深度学习模型，利用所求取的不包含吸收体情况下的待测区域初始光学传输参数与初始出射光参数之间的映射关系作为先验知识生成的包含吸收体的带真值的训练样本对深度学习模型进行训练，并利用训练好的深度学习模型，基于光源探测器测量得到的出射光参数变化量来对待测区域的光学传输参数空间分布进行重建，能够更准确地预测出待测区域内的光学传输参数的变化量，并对待测区域的光学传输参数空间分布在更大深度上进行高准确度、高空间分辨率的三维重建，由此重建的待测区域的图像也具有更高的图像质量。
本申请实施例还提供一种近红外脑功能成像系统。图9示出根据本申请实施例的近红外脑功能成像系统的部分组成示意图。图9所示的近红外脑功能成像系统900例如可以包括近红外光学数据采集装置901和根据本申请各个实施例所述的光学传输参数空间分布的重建装置902，其中，光学传输参数空间分布的重建装置902实现光学传输参数空间分布的重建方法的各种操作。可以理解的是，近红外光学数据采集装置901可以构造为近红外脑功能成像装置，其包括头帽（未示出），所述头帽上设置有用于向受检者的目标头部区域发射近红外光的光源（未示出），以及用于探测出射近红外光的光源探测器（未示出）。
根据本申请实施例的近红外脑功能成像系统900，其可以在近红外光学数据采集装置901和光学传输参数空间分布的重建装置902中设置相同的待测区域表面光源与光源探测器的拓扑结构，拓扑结构的设置方式已在前文进行详细描述，在此不赘述。然后，利用近红外光学数据采集装置901头帽上的近红外光的光源向受检者的目标头部区域发射近红外光，并利用头帽上的光源探测器探测出射近红外光参数，并计算得到的近红外出射光参数的变化量，输入光学传输参数空间分布的重建装置902，作为其深度学习模型的输入，利用深度学习模型输出的待测区域的近红外光的光学传输参数空间分布的预测值来对受检者的目标头部区域的近红外图像进行重建。根据本申请实施例的近红外脑功能成像系统900能够利用训练好的深度学习模型对受检者的目标头部区域的光学传输参数的变化量进行更准确的预测，从而在更广的深度范围内对受检者的目标头部区域的光学传输参数空间分布进行高准确度、高空间分辨率的三维重建，得到三维的近红外脑功能图像，由此重建的受检者的目标头部区域的图像也具有更高的图像质量。
本申请实施例还提供一种存储有程序的非暂时性计算机可读存储介质，所述程序使得处理器执行如本申请各个实施例所述的光学传输参数空间分布的重建方法的各种操作。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的公开的实施例的全部特征。从而，权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本申请的范围应参照权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (12)

1.一种光学传输参数空间分布的重建方法，其特征在于，所述重建方法包括：
确定待测区域，所述待测区域的表面形成有由光源和光源探测器构成的拓扑结构，其中，所述光源用于向所述待测区域发射光，所述光源探测器用于探测出射光，所述拓扑结构被构造为：每个所述光源与多个所述光源探测器之间形成有探测通道，且每个所述光源与多个所述光源探测器之间存在不同间距；
在所述待测区域不包含吸收体的情况下，获取所述待测区域的初始光学传输参数与初始出射光参数之间的映射关系；
在所述待测区域内存在吸收体的情况下， 基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本，其中，所述吸收体对所述光源发射的光具有吸收作用；
利用所述训练样本对所构建的深度学习模型进行训练，具体包括：
基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数，利用所述第一损失函数来对所述深度学习模型进行训练；
利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建，具体包括：
将根据测量得到的受检者的目标头部区域的出射光参数所确定的出射光参数变化量作为训练好的深度学习模型的输入，将基于训练好的深度学习模型输出的所述目标头部区域的光学传输参数的变化量的预测值，作为重建后的所述目标头部区域的光学传输参数空间分布，来对所述目标头部区域的光学传输参数空间分布进行三维重建，得到三维的近红外脑功能图像。
2.根据权利要求1所述的重建方法，其特征在于，在所述待测区域内存在吸收体的情况下， 基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本，具体包括：
在所述待测区域内放置从预设属性集合中选择属性的吸收体，基于所述吸收体的属性，确定放置所述吸收体前后所述待测区域的光学传输参数的变化量，其中，
所述吸收体的属性包括数量、尺寸、吸收系数以及其位于所述待测区域内的位置中的至少一种；
基于所述光学传输参数的变化量和所述映射关系，计算出射光参数的变化量，并将所述出射光参数的变化量及其对应的光学传输参数的变化量作为所述训练样本。
3.根据权利要求2所述的重建方法，其特征在于，各个所述吸收体具有单一的吸收系数，所述重建方法进一步包括：
在所述待测区域内存在多个所述吸收体，且各个所述吸收体存在交叠的情况下，确定存在交叠的各个吸收体中具有较大吸收系数的吸收体，并将该吸收体的吸收系数作为交叠部分的吸收系数。
4.根据权利要求1-3中任一项所述的重建方法，其特征在于，基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数具体包括：
基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系，确定对应的出射光参数的变化量的预测值；
将所述出射光参数的变化量的预测值和所述训练样本中出射光参数的变化量的均方误差作为第一损失函数。
5.根据权利要求1-3中任一项所述的重建方法，其特征在于，利用所述训练样本对所构建的深度学习模型进行训练进一步包括：
将所述训练样本中的出射光参数的变化量作为深度学习模型的输入，以得到所述深度学习模型输出的光学传输参数的变化量的预测值，并将训练样本中的光学传输参数的变化量作为地面真值；
将所述深度学习模型输出的光学传输参数的变化量的预测值和所述地面真值的均方误差作为第二损失函数；
将所述深度学习模型输出的光学传输参数的变化量的预测值和所述地面真值的平均绝对误差作为第三损失函数；
基于包括所述第一损失函数、所述第二损失函数以及所述第三损失函数在内的组合损失函数对所构建的深度学习模型进行训练。
6.根据权利要求5所述的重建方法，其特征在于，基于包括所述第一损失函数、所述第二损失函数以及所述第三损失函数在内的组合损失函数对所构建的深度学习模型进行训练进一步包括：
将所述第一损失函数的权重设置为大于所述第二损失函数和所述第三损失函数的权重，利用加权后的组合损失函数对所构建的深度学习模型进行训练。
7.根据权利要求1-3中任一项所述的重建方法，其特征在于，所述深度学习模型基于至少一个卷积层、特征提取骨干网络、全连接网络依序串联而构成，其中，
所述至少一个卷积层用于对输入所述深度学习模型的出射光参数的变化量矩阵进行特征提取；
所述特征提取骨干网络由集成了压缩和激励模块的残差神经网络构成，用于为所提取的特征分配注意力权重并输出带有注意力权重的特征；
所述全连接网络具有与所述待测区域中的体素数量相同的节点数量，用于基于所述带有注意力权重的特征，对所述待测区域内各个体素的光学传输参数的变化量进行预测。
8.根据权利要求1-3中任一项所述的重建方法，其特征在于，利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建进一步包括：
获取受检者在脑部生理状态发生变化情况下相对其在静息态下的出射光参数的代表性变化量；
将所述出射光参数的代表性变化量输入到训练好的所述深度学习模型，以获取所述目标头部区域的光学传输参数的变化量的预测值，作为重建后的所述目标头部区域的光学传输参数空间分布。
9.根据权利要求8所述的重建方法，其特征在于，所述光学传输参数为近红外光的光学传输参数，所述重建方法进一步包括：
基于重建后的所述目标头部区域的光学传输参数空间分布，生成重建后的所述目标头部区域在不同组织深度的三维近红外脑功能图像。
10.一种光学传输参数空间分布的重建装置，其特征在于，所述重建装置至少包括处理器和存储器，所述存储器上存储有计算机可执行指令，所述处理器在执行所述计算机可执行指令时执行如权利要求1-9中任一项所述的光学传输参数空间分布的重建方法。
11.一种近红外脑功能成像系统，其特征在于，包括近红外光学数据采集装置和如权利要求10所述的光学传输参数空间分布的重建装置；
所述近红外光学数据采集装置包括头帽，所述头帽上设置有用于向受检者的目标头部区域发射近红外光的光源，以及用于探测出射近红外光的光源探测器。
12.一种存储有程序的非暂时性计算机可读存储介质，所述程序使得处理器执行如权利要求1-9中任一项所述的光学传输参数空间分布的重建方法的操作。
CN202211204706.0A 2022-09-30 2022-09-30 光学传输参数空间分布的重建方法、装置、系统及介质 Active CN115272590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211204706.0A CN115272590B (zh) 2022-09-30 2022-09-30 光学传输参数空间分布的重建方法、装置、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211204706.0A CN115272590B (zh) 2022-09-30 2022-09-30 光学传输参数空间分布的重建方法、装置、系统及介质

Publications (2)

Publication Number Publication Date
CN115272590A CN115272590A (zh) 2022-11-01
CN115272590B true CN115272590B (zh) 2023-01-24

Family

ID=83757824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211204706.0A Active CN115272590B (zh) 2022-09-30 2022-09-30 光学传输参数空间分布的重建方法、装置、系统及介质

Country Status (1)

Country Link
CN (1) CN115272590B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115684178B (zh) * 2022-11-08 2023-07-25 睿励科学仪器（上海）有限公司 基于光学检测装置的表面检测方法和光学检测装置
CN117156072B (zh) * 2023-11-01 2024-02-13 慧创科仪(北京)科技有限公司 对多人近红外数据进行处理的装置、处理设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101856219A (zh) * 2010-05-13 2010-10-13 天津大学 基于频域近红外光测量的光学参数重构方法
CN104665770A (zh) * 2015-02-10 2015-06-03 天津大学 一种用于近红外光脑功能研究的自引导扩散光层析成像方法
CN109924949A (zh) * 2019-03-05 2019-06-25 北京工业大学 一种基于卷积神经网络的近红外光谱断层成像重建方法
CN114246557A (zh) * 2022-03-01 2022-03-29 慧创科仪(北京)科技有限公司 用于近红外脑功能成像装置的定位方法、设备及存储介质
CN114246556A (zh) * 2022-03-01 2022-03-29 慧创科仪(北京)科技有限公司 用于近红外脑功能成像装置的定位方法、设备和存储介质
EP4053797A1 (en) * 2019-11-26 2022-09-07 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for determining light source infromation, electronic device, and storage medium

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101856219A (zh) * 2010-05-13 2010-10-13 天津大学 基于频域近红外光测量的光学参数重构方法
CN104665770A (zh) * 2015-02-10 2015-06-03 天津大学 一种用于近红外光脑功能研究的自引导扩散光层析成像方法
CN109924949A (zh) * 2019-03-05 2019-06-25 北京工业大学 一种基于卷积神经网络的近红外光谱断层成像重建方法
EP4053797A1 (en) * 2019-11-26 2022-09-07 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for determining light source infromation, electronic device, and storage medium
CN114246557A (zh) * 2022-03-01 2022-03-29 慧创科仪(北京)科技有限公司 用于近红外脑功能成像装置的定位方法、设备及存储介质
CN114246556A (zh) * 2022-03-01 2022-03-29 慧创科仪(北京)科技有限公司 用于近红外脑功能成像装置的定位方法、设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A functional near-infrared spectroscopy study of the effects of video;Jiulong Yu et al.;《Experimental Gerontology》;20220923;第1-10页 *
基于功能近红外光谱成像的神经反馈技术及应用;李梦琪 等;《生物医学工程学杂志》;20220928;第39卷(第5期);第1041-1049页 *
基于多通道时间分辨光学层析成像系统的差分图像重建;赵会娟等;《光学学报》;20011205;第21卷(第12期);第1437-1443页 *
基于并行BP神经网络的近红外光断层图像重建方法基础研究;李婷等;《量子电子学报》;20090515;第26卷(第03期);第272-277页 *

Also Published As

Publication number Publication date
CN115272590A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN115272590B (zh) 光学传输参数空间分布的重建方法、装置、系统及介质
JP4271040B2 (ja) 実時間の光学的トモグラフィーの正規化された差方法の変更
JP5782314B2 (ja) 生体計測装置および画像作成方法
CN101396262B (zh) 一种基于线性关系的荧光分子断层成像重建方法
Habermehl et al. Optimizing the regularization for image reconstruction of cerebral diffuse optical tomography
CN105581779B (zh) 一种直接融合结构成像的生物发光断层成像重建的方法
CN113409466B (zh) 基于gcn残差连接网络的激发荧光断层成像方法
CN107358653A (zh) 成像重建方法及装置
WO2011137247A2 (en) System, method and computer-accessible medium for performing attenuation-corrected multispectral luminescence tomography of cerenkov and bioluminescent light sources
CN106852684A (zh) 光声装置和显示控制方法
CN115581436B (zh) 融合深度学习的高分辨率近红外脑功能层析成像算法
CN106097441A (zh) 基于l1范数与tv范数的复合正则化生物发光断层成像重建方法
CN104921706A (zh) 基于多任务贝叶斯压缩感知方法的生物发光断层成像重建算法
Wang et al. Fluorescence molecular tomography reconstruction of small targets using stacked auto-encoder neural networks
Causin et al. Elastic net regularization in diffuse optical tomography applications
Murad et al. Reconstruction and localization of tumors in breast optical imaging via convolution neural network based on batch normalization layers
Wojtkiewicz et al. Parallel, multi-purpose Monte Carlo code for simulation of light propagation in segmented tissues
Ye et al. Sparse reconstruction of fluorescence molecular tomography using variable splitting and alternating direction scheme
Sun et al. An iterative gradient convolutional neural network and its application in endoscopic photoacoustic image formation from incomplete acoustic measurement
Egger et al. On forward and inverse models in fluorescence diffuse optical tomography
US7142304B1 (en) Method and system for enhanced imaging of a scattering medium
US7617080B2 (en) Image enhancement by spatial linear deconvolution
Aspri et al. Mathematical and numerical challenges in diffuse optical tomography inverse problems
Murad et al. Periodic-net: an end-to-end data driven framework for diffuse optical imaging of breast cancer from noisy boundary data
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

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