[发明专利]V-Net深度成像方法

说明书

本发明涉及一种V‑Net深度成像方法，采用一种被命名为V‑Net深度网络结构，是一种33层网络结构，由三个顺序连接的功能模块组成，即初始成像模块，深度特征分析与提取模块和深度成像模块，网络层之间的连接采用了全连接、局部连接、残差连接和跳跃连接四种连接方式，损失函数在网络输出的交叉熵损失项和Lsubgt;2/subgt;正则化约束项的基础上添加了第五层输出的交叉熵损失项，实现初始成像的同时加速网络的收敛过程；V‑Net深度网络结构在信息处理过程中通过像素的添加与剪切保留了介质分布的空间位置信息。

技术领域

本发明属于层析成像领域，提出一种采用多连接方式的33层的新型监督式深度网络结构，用于电学层析成像图像重建。

技术背景

电学层析成像技术是基于不同电特性敏感机理的过程层析成像技术，其成像原理是空间敏感电极阵列在交流电压或电流激励下，在被测物场形成的测量敏感场，被测物场内部介质分布或运动的空间变化对敏感场产生调制作用，敏感器空间阵列获取的电学投影信息发生变化，结合相应的成像算法可重建被测对象的介质分布，实现可视化测量。

图像重建算法通过边界电学投影信号反推测量区域中介质的真实分布，是电学层析成像技术的重要分支，也称为电学成像的逆问题。近几十年，科研工作者提出与发展了许多图像重建算法，大体可分为迭代类算法和非迭代类算法。非迭代的线性化算法常见的有线性反投影、一步牛顿重建算法与一步Landweber重建算法等，该类方法成像速度较快、精度较低。当参考电导率分布与真实电导率分布出现严重偏差时，此类一阶近似模型不足以反映问题的非线性。针对此问题采用多次近似、迭代重建的方法，即迭代线性化算法。迭代线性化类算法重建精度较高，可用于定量分析，但是每次迭代时都需要进行一次正问题、灵敏度矩阵、逆问题的求解，计算效率低，不能满足实时成像的需求。此外，正则化类方法是解决病态性问题的通用方法，该类方法依赖于正则化的选择。人工经验提取的先验正则化信息有限使得该方法的成像范围与成像精度受限。寻找并探索一种能自动提取特征，同时兼顾成像速度、成像精度以及模型的泛化能力的图像重建算法，是一个新的研究热点与方向。深度学习由于可以在网络训练过程中自学习有用的特征，通过逐层特征空间的转换与特征的有效提取，可以高效提升回归预测的准确性，从而成为一种新的图像重建算法。

发明内容

本发明的目的是针对电学层析成像的图像重建问题，提出一种基于深度学习的V-Net深度成像方法，在网络模型训练过程中不仅可以高效的自学习与自提取有用特征，而且避开了传统基于灵敏度的迭代类算法中耗时的灵敏度矩阵的计算，可以解决工业过程快速可视化的需求。本发明的技术方案如下：

一种V-Net深度成像方法，采用一种被命名为V-Net深度网络结构，是一种33层网络结构，由三个顺序连接的功能模块组成，即初始成像模块，深度特征分析与提取模块和深度成像模块，网络层之间的连接采用了全连接、局部连接、残差连接和跳跃连接四种连接方式，损失函数在网络输出的交叉熵损失项和L₂正则化约束项的基础上添加了第五层输出的交叉熵损失项，实现初始成像的同时加速网络的收敛过程；V-Net深度网络结构在信息处理过程中通过像素的添加与剪切保留了介质分布的空间位置信息，步骤如下：

第一步.建立用于训练与测试深度网络的M组数据，每组数据中包含两个序列其中，V为表征介质分布投影的电学层析成像边界测量序列，为被测区域内部的介质真实分布序列；

第二步.设计V-Net深度网络的结构，具体设计方案如下：

(1)输入层：V-Net深度成像网络结构中输入层为电学层析成像边界测量序列V，输入层矩阵是3维矩阵，其中输入层矩阵的长和宽等于测量序列V的长和宽，输入矩阵的第3维表示电学层析成像边界测量序列V的特征图个数，原始输入的特征图个数为1；

(2)前5层网络层之间连接采用全连接的方式，全连接网络层中神经元个数依次为812、406、250、406与812，全连接网络层输出的特征图个数为1；