[发明专利]一种基于模型的深度学习扩散光学层析成像方法

说明书

本发明公开了一种基于模型的深度学习扩散光学层析成像方法，属于医学图像处理领域。提出将卷积神经网络(CNN)构建正则化算子，并结合光传输模型直接重建生物组织的光学特性参数分布。实现从数据域到图像域的直接重建。

技术领域

本发明属于医学图像处理领域，涉及基于深度学习进行扩散光学层析成像图像重建的方法。

背景技术

扩散光学层析成像(Diffuse optical tomography，DOT)是一种利用近红外光入射生物组织从而获得组织体功能信息的新型光学成像诊断技术，具有无创、非入侵的优点。DOT已广泛应用于脑功能检测、组织内血红蛋白检测、早期乳腺癌检测等诸多医疗场景。

DOT成像原理为：使用波段范围为600nm-950nm的近红外光照射组织，并利用光学探测器采集组织散射出的近红外光，进而通过图像重建方法反演生物组织内部的光学特性参数。

对于DOT图像重建，由于光学探测器采集的测量值数量远远小于生物组织光学参数的数量，从而导致图像重建具有严重的病态性。

为减低图像重建过程中的病态性，常用的重建方法主要是基于数值的重建方法。基于数值的重建方法，主要是基于最小二乘和稀疏的方法，即通过增加 L1正则化或L2正则化的方法将近红外光图像重建问题转变为一个非线性的最优化问题。但是基于正则化的图像重建方法往往会导致重建的图像存在严重伪影，而且图像重建时间较长。基于此，本发明提出基于卷积神经网络作为正则化项进行扩散光学层析图像重建。

发明内容

扩散光学层析成像的目的是利用在生物组织体表采集的微弱光信号，并结合光在生物组织中的传输规律来重建生物组织的光学特性参数分布。

为实现上述目的，本发明提出基于模型的深度学习扩散光学层析成像算法。该算法基于卷积神经网络(Convolutional Neural Networks，CNN)构建正则化算子，并结合光传输模型重建生物组织的光学参数特性分布以降低重建图像的伪影。

该方法基于光传输模型和正则化理论，将扩散光学层析成像图像重建问题变为求解下面的最优化问题：

其中，Ω(μ)关于待求解的光学特性参数μ的代价函数，φ_M是测量的真实光强值，φ_C是计算光传输模型得到的光强值，μ是未知的光学特性参数，λ是正则化参数，其值通过网络训练学习得到，D_w(μ)是卷积神经网络。

为优化求解(1)，求Ω(μ)关于光学特性参数μ的一阶导数，并置于零，得到：

其中，Ω(μ)关于μ的代价函数，J是雅克比矩阵，其值为δφ＝φ_M-φ_C(μ)是测量的光强值和计算光传输模型得到的光强值之差，T为矩阵的转置。

φ_C(μ)可以用第i次迭代重建的μ_i来近似，并利用泰勒公式将φ_C(μ_i)展开，并忽略高阶项，得到公式(3)

φ_C(μ_i)＝φ_C(μ_i-1)+J_i-1Δμ_i (3)

其中，J_i是第i次迭代的雅克比矩阵，Δμ_i＝μ_i-μ_i-1是第i次迭代重建的光学参数与i-1次迭代重建的光学参数之差。

联立公式(2)和(3)，可得到公式(4)

将公式(4)整理后得到公式(5)