CN117011673B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117011673B CN117011673B CN202311284723.4A CN202311284723A CN117011673B CN 117011673 B CN117011673 B CN 117011673B CN 202311284723 A CN202311284723 A CN 202311284723A CN 117011673 B CN117011673 B CN 117011673B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- electrical impedance
- encoder
- learning
- 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
- 238000002593 electrical impedance tomography Methods 0.000 title claims abstract description 104
- 238000009792 diffusion process Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 33
- 238000004088 simulation Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000005672 electromagnetic field Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
- G06V10/85—Markov-related models; Markov random fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种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，适用于工业过程成像、地质勘探和医学成像等技术领域。本发明通过获取含有电阻抗层析成像边界测量复电压序列信息的初始反投影图像对，再将初始反投影图像对输入至预先训练好的基于噪声扩散学习的电阻抗层析成像图像重建网络模型，可快速获取低噪、超高分辨率的电阻抗层析重建图像。其中基于噪声扩散学习的EIT图像重建网络模型训练的核心思想为先向电阻抗图像逐步添加概率分布已知的噪声，直至将其转换为正态分布的噪声图像，再在约束条件引导下，利用深度神经网络预测每一个时间节点处上一步添加的噪声来对噪声图像进行逐步去噪和更新估计，直至将其恢复为高精度重构图像。
Description
技术领域
本发明涉及工业过程成像、地质勘探、医学成像和深度学习等技术领域，具体涉及一种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。
背景技术
电阻抗层析成像技术（Electrical Impedance Tomography, EIT）是一种通过测量物体内部电阻抗分布情况来重构物体内部结构和特性的成像技术，由于具有非侵入性、无辐射、成本低廉、操作简单、可移动且时间分辨率高等优点，EIT已作为一种新型成像方式被广泛研究并应用于临床医学检测、工业多相流检测、工业过程检测、地质金属勘探等领域。
EIT技术的成像原理为在感兴趣区域（Region of Interest, ROI）的边界处放置多个电极片，通过向驱动电极片施加小的低频安全交流电信号来将电流传输到ROI内部，并同时在相应的检测电极片上测量响应电压/电流的强度和方向，逐步获得完整的边界测量数据序列。并进一步地，基于有限元法（Finite element method, FEM）进行物理建模，获得EIT系统响应矩阵。其中，EIT系统响应矩阵是由数据采集过程中的准静态电磁场条件与狄里克雷边界条件等物理因素以及EIT传感器的几何结构共同决定的。在获取了系统响应矩阵的基础上，结合边界测量数据求解反演算法，即可重构出物体内部的电阻抗分布情况。然而，由于边界测量值的数据量远远小于内部未知分布值的数据量，且电磁场具有“软场”特性，故从原始EIT测量数据出发求解目标物体内部的电阻抗分布情况是一个非线性的欠定问题，重建图像具有较高的噪声敏感性。
传统的EIT重建算法可大致分为线性反投影算法、基于正则化约束项加权的非迭代算法和迭代算法，以及基于矩阵分解的重建算法。其中，线性反投影算法具有结构简单、成像速度快的优势，但该算法无法剔除原始边界测量数据中存在的大量噪声，故其存在着重构图像分辨率低和伪影明显的问题；基于正则化约束项加权的重建算法可抑制图像重构过程中的噪声传播，提升重建图像质量，但此类方法仅基于图像的局部信息进行去噪重构，忽略了图像的全局信息，且迭代类算法的结构相对复杂，成像速度较慢；基于矩阵分解的重建算法具有计算速度快且噪声抑制强的优势，但该类算法复杂度较高，且较难实现对噪声的精准建模。故，利用传统重建算法重构的图像，其分辨率和精度均存在提升空间。
随着计算机运算能力和存储能力的快速发展，基于深度学习的图像重建算法逐渐成为解决EIT不适定问题的一个热点课题。深度学习是利用深度神经网络来对数据进行建模和学习的一种机器学习技术，该技术具有强大的非线性建模能力和大规模数据处理能力。其中，利用编码器-解码器建立ROI边界测量数据到目标图像的跨模型直接映射和建立低质量EIT图像到高质量EIT图像的图像域后处理映射等技术均已取得一定的进展，但目前已存在的“数据端到图像端（Data to image, D2I）”类映射模型对训练样本数据量和计算资源的要求很高，计算时间较长且生成图像的质量不稳定，“图像端到图像端（Image toimage, I2I）”类映射模型虽具有较稳定的模型输出，但存在着泛化能力有限，易造成图像局部高频细节特征过平滑的问题，从而使得重建EIT图像质量仍未达到令人满意的程度。
发明内容
本发明的目的在于针对现有基于深度学习的EIT图像重建技术的不足，提供一种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，实现对图像噪声的精准预测，进而完成EIT图像快速、鲁棒、低噪、高分辨率、高精度的图像重建。
本发明采用的技术方案具体为：
一种基于噪声扩散学习的电阻抗层析成像图像重建方法，包括：
获取包含EIT原始边界测量数据信息的初始反投影图像对：电阻抗实部图像XR_0和电阻抗虚部图像XI_0；
将初始反投影图像对输入至预先训练好的基于噪声扩散学习的EIT图像重建网络模型，所述基于噪声扩散学习的EIT图像重建网络模型包括第一编码器、第一自编码单元和一个Transformer网络单元，所述第一自编码单元包括第二编码器和编码-解码器，Transformer网络单元用于接收第一编码器的输出和第二编码器的输出，进行注意力计算和特征处理，并将处理后的输出送入编码-解码器；其中，电阻抗虚部图像XI_0作为第一编码器的输入，电阻抗实部图像XR_0作为第二编码器的初始输入，将基于编码-解码器输出的预测噪声进行去噪的重建图像XR_k作为第二编码器的循环迭代输入，k为去噪步数，利用第一编码器提取的电阻抗虚部图像XI_0的高维图像特征作为网络潜在条件约束监督和加速图像的迭代重建，直至满足迭代收敛条件，或达到固定的去噪步数，获得低噪、高精度重建图像XR_Denoised；
所述预先训练好的基于噪声扩散学习的EIT图像重建网络模型是利用训练图像数据集，基于噪声扩散学习进行训练获得的。
进一步地，所述训练图像数据集的每一样本包含利用仿真获得的无噪声、反映真实电阻抗分布情况的电阻抗仿真图像对：电阻抗实部仿真图像和电阻抗虚部仿真图像。
进一步地，基于噪声扩散学习进行训练具体为：
将训练图像数据集的每一样本中电阻抗实部仿真图像ZR_0利用真实噪声进行扩散获得扩散图像，再与对应的电阻抗虚部仿真图像作为基于噪声扩散学习的EIT图像重建网络模型的输入，通过最小化损失函数进行网络反向传播完成梯度更新，循环直至模型收敛或达到训练次数，获得预先训练好的基于噪声扩散学习的EIT图像重建网络模型；所述损失函数包括基于噪声扩散学习的EIT图像重建网络模型输出的预测噪声与真实噪声/>的偏差损失。
进一步地，所述损失函数具体为：
；/>；/>。
其中，C为引入的约束条件信息，即第一编码器提取的电阻抗虚部仿真图像的高维图像特征；t表示扩散的时刻，为基于噪声扩散学习的EIT图像重建网络模型输出的预测噪声，||*||2表示L2范数，βt表示第t时刻扩散对应的固定方差，满足。
进一步地，βt与t的关系为线性函数或余弦函数。
进一步地，所述Transformer网络单元为由交叉注意力机制子单元和多层感知子单元依次连接所构成的网络单元，其中，交叉注意力机制子单元用于在第一编码器输出的基础上建立关键字向量组和特征向量组，在第二编码器输出的基础上建立相应的查询向量组，计算查询向量组每一个向量和关键字向量组每一个向量的内积结果并获取相应的注意力参数，结合注意力参数完成对特征向量组所有向量的加权求和处理并更新所有特征向量，将更新后的特征向量与第二编码器输出拼接在一起，并将拼接后的特征作为交叉注意力机制子单元的输出送入多层感知子单元。
一种电阻抗层析成像图像重建装置，包括：
图像获取模块，用于获取包含EIT原始边界测量数据信息的初始反投影图像对：电阻抗实部图像XR_0和电阻抗虚部图像XI_0；
图像重建模块，用于将初始反投影图像对输入至预先训练好的基于噪声扩散学习的EIT图像重建网络模型，所述基于噪声扩散学习的EIT图像重建网络模型包括第一编码器、第一自编码单元和一个Transformer网络单元，所述第一自编码单元包括第二编码器和编码-解码器，Transformer网络单元用于接收第一编码器的输出和第二编码器的输出，进行注意力计算和特征处理，并将处理后的输出送入编码-解码器；其中，电阻抗虚部图像XI_0作为第一编码器的输入，电阻抗实部图像XR_0作为第二编码器的初始输入，将基于编码-解码器输出的预测噪声进行去噪的重建图像XR_k作为第二编码器的循环迭代输入，k为去噪步数，利用第一编码器提取的电阻抗虚部图像XI_0的高维图像特征作为网络潜在条件约束监督和加速图像的迭代重建，直至满足迭代收敛条件，或达到固定的去噪步数，获得低噪、高精度重建图像XR_Denoised。
进一步地，所述装置还包括：
训练模块，用于利用训练图像数据集，基于噪声扩散学习进行训练获得预先训练好的基于噪声扩散学习的EIT图像重建网络模型。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述的一种基于噪声扩散学习的电阻抗层析成像图像重建方法。
一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如所述的一种基于噪声扩散学习的电阻抗层析成像图像重建方法。
与现有EIT重建方法相比，本发明的有益效果是：本发明提出训练一个具有马尔可夫链性质的噪声扩散模型，通过在约束条件的引导下模拟噪声的扩散过程来学习和预测EIT图像的噪声，以实现从噪声图像中快速恢复出低噪的高质量EIT图像。本发明的模型发展出较强的扩展性和鲁棒性，通过将噪声学习过程系统性地分解为T步，且每一个时间步t处图像信息仅依赖于上一个时间步t-1处图像信息，有效解决了现存重建模型训练不稳定和模式崩溃的问题，且更好地平衡了去噪与细节保留间的权衡。本发明提出用与待去噪重建电阻抗实部图像XR具有相似图像结构且同批次采集的电阻抗虚部图像XI作为约束条件，并利用Transformer单元将其引入到主网络的训练中以提供高维图像特征引导信息，可控制模型的随机生成过程，并大幅缩短模型的采样时长和从噪声到高质量图像的重建周期，有效降低模型的运算量和运算难度。
附图说明
图1是本发明基于噪声扩散学习的电阻抗层析成像图像重建方法的流程示意图；
图2是本发明一实施例提供的一种基于噪声扩散学习的EIT图像重建网络模型训练的流程示意图；
图3是本发明一实施例提供的一种基于噪声扩散学习的EIT图像重建网络模型的结构图；
图4是本发明一实施例提供的一种基于注意力机制的Transformer单元的操作示意图；
图5是本发明一实施例提供的一种电阻抗层析成像图像重建装置的结构示意图；
图6是本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
电阻抗层析成像技术是一种利用成像目标区域边界电磁场信息变化来对内部结构分布进行重建的无损、非侵入成像技术。该技术的成像原理为利用系统响应矩阵与图像重建算法，将EIT边界测量数据转换至图像域数据。然而，由于边界测量值的数据量远远小于内部未知分布值的数据量，且测量值中含有表征内部分布的真实信号与构成噪声干扰的噪声信号，故从原始EIT测量数据出发求解目标物体内部的电阻抗分布情况是一个欠定问题，其重建结果对噪声具有较高的敏感性。针对这一问题，本发明提出了一种基于噪声扩散学习的电阻抗层析成像图像重建方法，如图1所示，包括：
获取包含EIT原始边界测量数据信息（复电压/复电流）的初始反投影图像对，即电阻抗实部图像XR_0和电阻抗虚部图像XI_0；
将初始反投影图像对输入至预先训练好的基于噪声扩散学习的EIT图像重建网络模型，所述基于噪声扩散学习的EIT图像重建网络模型包括第一编码器、第一自编码单元和一个Transformer网络单元，所述第一自编码单元包括第二编码器和编码-解码器，Transformer网络单元用于接收第一编码器的输出和第二编码器的输出，进行注意力计算和特征处理，并将处理后的输出送入编码-解码器；其中，电阻抗虚部图像XI_0作为第一编码器的输入，电阻抗实部图像XR_0作为第二编码器的初始输入，将基于编码-解码器输出的预测噪声进行去噪的重建图像XR_k作为第二编码器的循环迭代输入，k为去噪步数，利用第一编码器提取的电阻抗虚部图像XI_0的高维图像特征作为网络潜在条件约束监督和加速图像的迭代重建，直至满足迭代收敛条件，或达到固定的去噪步数，获得低噪、高精度重建图像XR_Denoised。
本发明方法为构建一具有马尔可夫链性质的噪声扩散模型，通过在约束条件的引导下模拟噪声的扩散过程来学习和预测EIT图像的噪声，以实现从噪声图像中快速恢复出低噪的高质量EIT图像。方法的主要特点在于模型采用T步去逐步进行噪声扩散过程的学习，可更加准确地模拟噪声，平衡去噪与细节保留间的权衡，解决现存重建模型训练不稳定和模式崩溃的问题。同时，引入约束条件的方式可控制模型的随机生成过程，并有效降低模型的运算难度，加快模型的收敛速度。其中，网络的输入为电阻抗实部图像XR，所述约束条件为与电阻抗实部图像XR具有相似图像结构且同批次采集的电阻抗虚部图像XI，用于控制神经网络的随机生成过程，提升模型采样速度，以及缩短重建时长。
下面结合附图和一具体实施例详细说明本发明方法。
一种基于噪声扩散学习的电阻抗层析成像图像重建方法，包括以下步骤：
步骤一：获取包含EIT原始边界测量数据信息（复电压/复电流）的初始反投影图像对，即电阻抗实部图像XR_0和电阻抗虚部图像XI_0。具体包括以下子步骤：
联立准静态电磁场条件与狄里克雷边界条件建立EIT边界电学参数与内部电阻抗分布参数间关系，并获取系统响应矩阵J；
结合系统响应矩阵J，对EIT实际边界测量数据即EIT实际边界电学参数(记为B)做图像反投影处理，获得实际电阻抗分布参数估计（记为X）：
X=J-1B
由于系统响应矩阵J为n×m的奇异矩阵，n和m分别是内部电阻抗分布参数的数量和边界电学参数的数量，且n不等于m，故J-1不存在。故使用JT近似替代J-1进行图像反投影，获取初始反投影的电阻抗实部图像XR_0与电阻抗虚部图像XI_0：
XR_0=JR TBR
XI_0=JI TBI
其中，JR与JI分别为系统响应矩阵J的实部与虚部，BR与BI分别为EIT实际边界测量数据的实部与虚部。
步骤二：构建和训练基于噪声扩散学习的EIT图像重建网络模型。
本发明提出用具备马尔可夫链性质的深度神经网络去模拟EIT图像的噪声扩散过程，以实现EIT图像去噪、高精度重建的目的。本发明所述基于噪声扩散学习的EIT图像重建网络的训练是基于训练图像数据集。所述训练图像数据集为利用仿真软件获得的多组无噪声添加、反映真实电阻抗分布情况的高质量电阻抗仿真图像对，即同批次获取的电阻抗实部仿真图像ZR_0和电阻抗虚部仿真图像ZI_0。训练所述基于噪声扩散学习的EIT图像重建网络模型涉及两个过程，正向扩散过程与逆向扩散过程。图2是本发明实施例提供的一种基于噪声扩散学习的EIT图像重建网络模型的训练流程示意图。其中，正向扩散过程为向电阻抗实部图像ZR逐步添加概率分布已知的真实噪声，直至将其转换为正态分布的噪声图像ZN，逆向扩散过程为将噪声图像ZN作为模型的输入，在约束条件的引导下，利用神经网络预测每一个时间节点处上一步添加的噪声，来对噪声图像ZN进行逐步去噪和更新估计，直至将其恢复为高精度重构图像ZR_Denoised。具体包括以下步骤：
（2.1）正向扩散过程：
记为电阻抗实部图像ZR真实的数据分布，/>为t时刻前向扩散的数据分布即在/>的条件下/>的概率，该分布与t-1时刻的分布有关，则：
其中，β为预先设定好的固定方差，需满足的条件；I
表示单位矩阵；βt与t的关系可为线性函数或余弦函数cos。为正态分布表达式，其均值μ
和方差为和。依据前述条件，求解第t时刻的扩散图像ZR_t为：
假定，则第t时刻的扩散图像可表示为：
基于独立高斯分布的可加性特性，即，可推导出/>等效为，则第t时刻的扩散图像可进一步表示为：
将继续扩展至/>，记/>，则第t时刻的扩散图像可进一步表示为：
即根据0时刻电阻抗实部仿真图像ZR_0和固定方差βt，即可得任意t时刻前向扩散的数据分布：
（2.2）逆向扩散过程：
将训练图像数据集的每一样本中电阻抗实部仿真图像ZR_0利用真实噪声进行扩散获得的扩散图像，再与对应的电阻抗虚部仿真图像ZI_0作为基于噪声扩散学习的EIT图像重建网络模型的输入，通过最小化损失函数来进行网络反向传播完成梯度更新，循环直至模型收敛。所述损失函数包括基于噪声扩散学习的EIT图像重建网络模型输出的预测噪声与真实噪声/>的偏差损失。其中，预测噪声/>与真实噪声/>的偏差损失E可采用均方差损失（mean-square error, MSE）等求得，本实施例中，采用的损失函数具体如下：
其中，C为基于Transformer单元引入的约束条件信息，即第一编码器提取的电阻
抗虚部仿真图像的高维图像特征；该信息的引入有效控制网络的随机生成过程，确保网络
生成图像与参考图像（即电阻抗虚部仿真图像）共享高维特征，进而更准确且更快速的收
敛。为嵌入的时间信息，表示扩散的时刻，||*||2为L2范数。为神经网络预测的噪声，θ为
网络参数。
本发明提出用深度神经网络预测图像噪声来进行图像去噪，图3为本发明实施例用来实现预测图像噪声目的而设计的基于噪声扩散学习的EIT图像重建网络模型结构示意图，本实施例设计的基于噪声扩散学习的EIT图像重建网络模型的初始网络参数θ0为随机值，用来更新深度神经网络参数的优化算法为Adam优化器。其中，所述基于噪声扩散学习的EIT图像重建网络模型由第一编码器、第一自编码单元和一个Transformer网络单元构成。所述第一编码器为由多层卷积层构成的网络单元，用于提取电阻抗虚部图像（训练时：电阻抗虚部仿真图像ZI_0，应用时：电阻抗虚部图像XI_0）的高维图像特征作为网络潜在条件约束；所述第一自编码单元为由第二编码器、编码-解码器所构成的网络单元，其中，所述第二编码器为由多层卷积层构成的网络单元，用于提取输入图像（训练时：基于电阻抗实部仿真图像ZR_0的各时刻的扩散图像，应用时：电阻抗实部图像XR_0及去噪的重建图像XR_k）的高维图像特征，所述编码-解码器为常用神经网络结构，由多个卷积层，池化层，批标准化层，整流线性单位激励函数层，反卷积层，以及上采样层构成，用于学习和预测噪声扩散的梯度；所述Transformer单元为由交叉注意力机制子单元和多层感知子单元依次连接所构成的网络单元，用于接收第一编码器的输出和第二编码器的输出，进行注意力计算和特征处理，并将处理后的输出送入编码-解码器，将网络约束条件引入至主网络；其中，所述交叉注意力机制子单元用于在第一编码器输出的基础上建立关键字向量组和特征向量组，在第二编码器输出的基础上，建立相应的查询向量组，计算查询向量组每一个向量和关键字向量组每一个向量的内积结果并获取相应的注意力参数，结合参数完成对特征向量组所有向量的加权求和处理并更新所有特征向量，将更新后的特征向量与第二编码器输出拼接在一起，并将拼接后的特征作为交叉注意力机制子单元的输出送入多层感知子单元，多层感知子单元的输出作为Transformer单元的输出，图4是本实施例提供的一种基于注意力机制的Transformer单元的操作示意图。
步骤三：利用预先训练好的基于噪声扩散学习的EIT图像重建网络模型即可进行电阻抗层析成像图像重建，具体地，将初始图像对输入至预先训练好的基于噪声扩散学习的EIT图像重建网络模型，其中，电阻抗虚部图像XI_0作为第一编码器的输入，电阻抗实部图像XR_0作为第二编码器的初始输入，将基于编码-解码器输出的预测噪声进行去噪的重建图像XR_k作为第二编码器的循环迭代输入，k为去噪步数，利用第一编码器提取的电阻抗虚部图像XI_0的高维图像特征作为网络潜在条件约束监督和加速图像的迭代重建，直至满足迭代收敛条件，或达到固定的去噪步数，获得低噪、高精度重建图像XR_Denoised。
与前述基于噪声扩散学习的电阻抗层析成像图像重建方法的实施例相对应，本发明还提供了电阻抗层析成像图像重建装置的实施例。
参见图5，本发明实施例提供的一种电阻抗层析成像图像重建装置的结构示意图，所述装置包括：
图像获取模块，用于获取包含EIT原始边界测量数据信息的初始反投影图像对：电阻抗实部图像XR_0和电阻抗虚部图像XI_0；
图像重建模块，用于将初始反投影图像对输入至预先训练好的基于噪声扩散学习的EIT图像重建网络模型，所述基于噪声扩散学习的EIT图像重建网络模型包括第一编码器、第一自编码单元和一个Transformer网络单元，所述第一自编码单元包括第二编码器和编码-解码器，Transformer网络单元用于接收第一编码器的输出和第二编码器的输出，进行注意力计算和特征处理，并将处理后的输出送入编码-解码器；其中，电阻抗虚部图像XI_0作为第一编码器的输入，电阻抗实部图像XR_0作为第二编码器的初始输入，将基于编码-解码器输出的预测噪声进行去噪的重建图像XR_k作为第二编码器的循环迭代输入，k为去噪步数，利用第一编码器提取的电阻抗虚部图像XI_0的高维图像特征作为网络潜在条件约束监督和加速图像的迭代重建，直至满足迭代收敛条件，或达到固定的去噪步数，获得低噪、高精度重建图像XR_Denoised。
进一步地，所述装置还包括：
训练模块，用于基于训练图像数据集，通过最小化任一时间节点处第一自编码单元预测的噪声与模型正向扩散过程中添加的真实噪声间的损失函数来完成模型训练并获得预先训练好的基于噪声扩散学习的EIT图像重建网络模型。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
与前述基于噪声扩散学习的电阻抗层析成像图像重建方法的实施例相对应，本发明还提供了一种电子设备，包括一个或多个处理器，用于实现上述实施例中的基于噪声扩散学习的电阻抗层析成像图像重建方法。
如图6 所示，为本发明提供的一种电阻抗层析成像图像重建装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于噪声扩散学习的电阻抗层析成像图像重建方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡( Smart Media Card,SMC ) 、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
上述实施例用来解释说明本发明，而不是对本发明进行限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需将所有实施方式予以穷举。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (10)
1.一种基于噪声扩散学习的电阻抗层析成像图像重建方法，其特征在于，包括：
获取包含EIT原始边界测量数据信息的初始反投影图像对：电阻抗实部图像XR_0和电阻抗虚部图像XI_0；
将初始反投影图像对输入至预先训练好的基于噪声扩散学习的EIT图像重建网络模型，所述基于噪声扩散学习的EIT图像重建网络模型包括第一编码器、第一自编码单元和一个Transformer网络单元，所述第一自编码单元包括第二编码器和编码-解码器，Transformer网络单元用于接收第一编码器的输出和第二编码器的输出，进行注意力计算和特征处理，并将处理后的输出送入编码-解码器；其中，电阻抗虚部图像XI_0作为第一编码器的输入，电阻抗实部图像XR_0作为第二编码器的初始输入，将基于编码-解码器输出的预测噪声进行去噪的重建图像XR_k作为第二编码器的循环迭代输入，k为去噪步数，利用第一编码器提取的电阻抗虚部图像XI_0的高维图像特征作为网络潜在条件约束监督和加速图像的迭代重建，直至满足迭代收敛条件，或达到固定的去噪步数，获得低噪、高精度重建图像XR_Denoised；
所述预先训练好的基于噪声扩散学习的EIT图像重建网络模型是利用训练图像数据集，基于噪声扩散学习进行训练获得的。
2.根据权利要求1所述的方法，其特征在于，所述训练图像数据集的每一样本包含利用仿真获得的无噪声、反映真实电阻抗分布情况的电阻抗仿真图像对：电阻抗实部仿真图像和电阻抗虚部仿真图像。
3.根据权利要求1所述的方法，其特征在于，基于噪声扩散学习进行训练具体为：
将训练图像数据集的每一样本中电阻抗实部仿真图像ZR_0利用真实噪声进行扩散获得扩散图像，再与对应的电阻抗虚部仿真图像作为基于噪声扩散学习的EIT图像重建网络模型的输入，通过最小化损失函数进行网络反向传播完成梯度更新，循环直至模型收敛或达到训练次数，获得预先训练好的基于噪声扩散学习的EIT图像重建网络模型；所述损失函数包括基于噪声扩散学习的EIT图像重建网络模型输出的预测噪声与真实噪声/>的偏差损失。
4.根据权利要求3所述的方法，其特征在于，所述损失函数具体为：
；
；
；
其中，ZR_0为电阻抗实部仿真图像，C为引入的约束条件信息，即第一编码器提取的电阻抗虚部仿真图像的高维图像特征；为真实噪声，t表示扩散的时刻，为基于噪声扩散学习的EIT图像重建网络模型输出的预测噪声，||*||2表示L2范数，βt表示第t时刻扩散对应的固定方差，满足/>。
5.根据权利要求4所述的方法，其特征在于，βt与t的关系为线性函数或余弦函数。
6.根据权利要求1所述的方法，其特征在于，所述Transformer网络单元为由交叉注意力机制子单元和多层感知子单元依次连接所构成的网络单元，其中，交叉注意力机制子单元用于在第一编码器输出的基础上建立关键字向量组和特征向量组，在第二编码器输出的基础上建立相应的查询向量组，计算查询向量组每一个向量和关键字向量组每一个向量的内积结果并获取相应的注意力参数，结合注意力参数完成对特征向量组所有向量的加权求和处理并更新所有特征向量，将更新后的特征向量与第二编码器输出拼接在一起，并将拼接后的特征作为交叉注意力机制子单元的输出送入多层感知子单元。
7.一种电阻抗层析成像图像重建装置，其特征在于，包括：
图像获取模块，用于获取包含EIT原始边界测量数据信息的初始反投影图像对：电阻抗实部图像XR_0和电阻抗虚部图像XI_0；
图像重建模块，用于将初始反投影图像对输入至预先训练好的基于噪声扩散学习的EIT图像重建网络模型，所述基于噪声扩散学习的EIT图像重建网络模型包括第一编码器、第一自编码单元和一个Transformer网络单元，所述第一自编码单元包括第二编码器和编码-解码器，Transformer网络单元用于接收第一编码器的输出和第二编码器的输出，进行注意力计算和特征处理，并将处理后的输出送入编码-解码器；其中，电阻抗虚部图像XI_0作为第一编码器的输入，电阻抗实部图像XR_0作为第二编码器的初始输入，将基于编码-解码器输出的预测噪声进行去噪的重建图像XR_k作为第二编码器的循环迭代输入，k为去噪步数，利用第一编码器提取的电阻抗虚部图像XI_0的高维图像特征作为网络潜在条件约束监督和加速图像的迭代重建，直至满足迭代收敛条件，或达到固定的去噪步数，获得低噪、高精度重建图像XR_Denoised。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
训练模块，用于利用训练图像数据集，基于噪声扩散学习进行训练获得预先训练好的基于噪声扩散学习的EIT图像重建网络模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述的一种基于噪声扩散学习的电阻抗层析成像图像重建方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-6任一项所述的一种基于噪声扩散学习的电阻抗层析成像图像重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311284723.4A CN117011673B (zh) | 2023-10-07 | 2023-10-07 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311284723.4A CN117011673B (zh) | 2023-10-07 | 2023-10-07 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011673A CN117011673A (zh) | 2023-11-07 |
| CN117011673B true CN117011673B (zh) | 2024-03-26 |
Family
ID=88573053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311284723.4A Active CN117011673B (zh) | 2023-10-07 | 2023-10-07 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011673B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117437152B (zh) * | 2023-12-21 | 2024-04-02 | 之江实验室 | 一种基于扩散模型的pet迭代重建方法及系统 |
| CN117726542B (zh) * | 2024-02-18 | 2024-06-21 | 北京理工大学 | 基于扩散模型的可控噪声去除方法及系统 |
| CN118521672B (zh) * | 2024-07-24 | 2024-09-20 | 西南科技大学 | 一种基于自归一化神经网络的电阻抗图像重建方法 |
Citations (11)
| 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 |
| CN112200306A (zh) * | 2020-10-15 | 2021-01-08 | 北京航空航天大学 | 一种基于深度学习的电阻抗成像方法 |
| CN113362407A (zh) * | 2021-05-10 | 2021-09-07 | 浙江工业大学 | 一种基于复值卷积的gan增强磁感应成像方法及系统 |
| WO2021223038A1 (en) * | 2020-05-08 | 2021-11-11 | Toma Jonathan Emanuel | Method and system for electrical impedance tomography |
| CN114663355A (zh) * | 2022-02-28 | 2022-06-24 | 河南师范大学 | 一种用于脑出血电导率分布图像重建的混合神经网络方法 |
| CN114758031A (zh) * | 2022-06-15 | 2022-07-15 | 之江实验室 | 电容耦合电阻抗层析成像图像重建方法和装置 |
| WO2022226886A1 (zh) * | 2021-04-29 | 2022-11-03 | 深圳高性能医疗器械国家研究院有限公司 | 基于变换域下去噪自动编码器作为先验的图像处理方法 |
| CN115670421A (zh) * | 2022-10-28 | 2023-02-03 | 南京邮电大学 | 一种基于去噪自编码器的电阻抗深度成像方法 |
| JP7246116B1 (ja) * | 2022-03-11 | 2023-03-27 | 之江実験室 | トランスフォーマ特徴共有に基づくｐｅｔ画像再構成方法、装置、デバイス及び媒体 |
| WO2023092813A1 (zh) * | 2021-11-25 | 2023-06-01 | 苏州大学 | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 |
| CN116664605A (zh) * | 2023-08-01 | 2023-08-29 | 昆明理工大学 | 基于扩散模型和多模态融合的医学图像肿瘤分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10685429B2 (en) * | 2017-02-22 | 2020-06-16 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
-
2023
- 2023-10-07 CN CN202311284723.4A patent/CN117011673B/zh active Active
Patent Citations (11)
| 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 |
| WO2021223038A1 (en) * | 2020-05-08 | 2021-11-11 | Toma Jonathan Emanuel | Method and system for electrical impedance tomography |
| CN112200306A (zh) * | 2020-10-15 | 2021-01-08 | 北京航空航天大学 | 一种基于深度学习的电阻抗成像方法 |
| WO2022226886A1 (zh) * | 2021-04-29 | 2022-11-03 | 深圳高性能医疗器械国家研究院有限公司 | 基于变换域下去噪自动编码器作为先验的图像处理方法 |
| CN113362407A (zh) * | 2021-05-10 | 2021-09-07 | 浙江工业大学 | 一种基于复值卷积的gan增强磁感应成像方法及系统 |
| WO2023092813A1 (zh) * | 2021-11-25 | 2023-06-01 | 苏州大学 | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 |
| CN114663355A (zh) * | 2022-02-28 | 2022-06-24 | 河南师范大学 | 一种用于脑出血电导率分布图像重建的混合神经网络方法 |
| JP7246116B1 (ja) * | 2022-03-11 | 2023-03-27 | 之江実験室 | トランスフォーマ特徴共有に基づくｐｅｔ画像再構成方法、装置、デバイス及び媒体 |
| CN114758031A (zh) * | 2022-06-15 | 2022-07-15 | 之江实验室 | 电容耦合电阻抗层析成像图像重建方法和装置 |
| CN115670421A (zh) * | 2022-10-28 | 2023-02-03 | 南京邮电大学 | 一种基于去噪自编码器的电阻抗深度成像方法 |
| CN116664605A (zh) * | 2023-08-01 | 2023-08-29 | 昆明理工大学 | 基于扩散模型和多模态融合的医学图像肿瘤分割方法 |
Non-Patent Citations (6)
| Title |
|---|
| Magnetohydrodynamics-induced internal crash near density limit in ohmic discharge on experimental advanced superconducting tokamak;Xu, LQ等;PHYSICA SCRIPTA;全文 * |
| Spectral Capacitively Coupled Electrical Resistivity Tomography for Breast Cancer Detection;Gege Ma等;IEEE Access;全文 * |
| TA2NN：一种基于自编码的B超乳腺肿瘤识别神经网络模型;孔德仕;;现代计算机(第14期);全文 * |
| 基于BP神经网络和遗传算法的电阻抗图像重建算法;南国芳, 王化祥, 王超;计量学报(第04期);全文 * |
| 基于块稀疏的电阻抗成像算法;王琦;张鹏程;汪剑鸣;李秀艳;连志杰;陈庆良;陈彤云;陈晓静;贺静;段晓杰;王化祥;;电子与信息学报(第03期);全文 * |
| 静态阻抗断层图像重建新方法;侯卫东, 莫玉龙;电子学报(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011673A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117011673B (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 | |
| US11393090B2 (en) | Online adaptation of neural networks | |
| RU2709437C1 (ru) | Способ обработки изображений, устройство обработки изображений и носитель данных | |
| Tan et al. | Image reconstruction based on convolutional neural network for electrical resistance tomography | |
| CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
| WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
| US20210233244A1 (en) | System and method for image segmentation using a joint deep learning model | |
| CN112767504A (zh) | 用于图像重建的系统和方法 | |
| KR20220070502A (ko) | 맥스웰 병렬 이미징 | |
| Zhang et al. | Image reconstruction of electrical capacitance tomography based on an efficient sparse Bayesian learning algorithm | |
| Kelkar et al. | Prior image-constrained reconstruction using style-based generative models | |
| CN111714124B (zh) | 磁共振电影成像方法、装置、成像设备及存储介质 | |
| Mouches et al. | Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder | |
| Lin et al. | Feature-based inversion using variational autoencoder for electrical impedance tomography | |
| Sahlström et al. | Utilizing variational autoencoders in the Bayesian inverse problem of photoacoustic tomography | |
| Ghimire et al. | Improving generalization of deep networks for inverse reconstruction of image sequences | |
| Dimas et al. | Advances in Electrical Impedance Tomography Inverse Problem Solution Methods: From Traditional Regularization to Deep Learning | |
| Riis et al. | Computed tomography reconstruction with uncertain view angles by iteratively updated model discrepancy | |
| CN115115723A (zh) | 图像重建模型生成及图像重建方法、装置、设备和介质 | |
| CN117197349A (zh) | 一种ct图像重建方法及装置 | |
| CN112734798A (zh) | 神经网络的在线自适应系统和方法 | |
| Zhang et al. | Distributed compressive sensing via LSTM-Aided sparse Bayesian learning | |
| US20230122658A1 (en) | Self-supervised joint image reconstruction and coil sensitivity calibration in parallel mri without ground truth | |
| Zhang et al. | Image Reconstruction for High‐Performance Electrical Capacitance Tomography System Using Deep Learning | |
| CN114926559A (zh) | 一种基于字典学习思想无衰减校正的pet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 |