[发明专利]基于FPGA的深度学习电阻抗成像系统及成像评价方法

权利要求书

1.基于FPGA的深度学习电阻抗成像系统，其特征在于，基于FPGA控制板，将数据采集部分与图像重构部分集成在同一FPGA控制板中，所述系统包括：微处理器模块、数据采集模块、深度学习算法模块以及成像显示模块；

所述数据采集模块用以向待测物体注入激励电流，采集待测物体表面边界电压；

所述深度学习算法模块包括深度学习算法模型，用于处理采集到的电压数据，以还原待测物体内部电阻抗分布，得到重建图像；所述深度学习算法模型，采用引入注意力机制的类自动编码器的深度学习算法，其中，输入的训练数据为数据选通阵列采集到的待测物体边界电压数据，所述电压数据经过卷积神经网络，输出重建后的物体图像；

所述深度学习算法模型是一个引入注意力机制的类自动编码器的CNN神经网络，所述CNN神经网络包括类自编码器模块、注意力模块，所述CNN神经网络损失函数为均方误差与交叉熵的组合，其中，原始图像与重建图像应用均方误差，原始图像感兴趣区域与重建图像感兴趣区域应用交叉熵；

CNN神经网络的损失函数表达式为：

其中，N为批量训练数量，y_true为原始图像，y_pred为重建图像，ROI_true为原始图像感兴趣区域，ROI_pred为重建图像感兴趣区域；

所述注意力模块包括通道注意力模块与空间注意力模块，注意力模块的前一层输出特征与通道注意力权值相乘，得到通道注意力特征，通道注意力特征与空间注意力权值相乘，得到空间注意力特征，空间注意力特征作为所述注意力模块的输出；

所述通道注意力模块对输入特征分别做全局平均池化、全局最大池化，两次池化结果分别经过两层全连接层后，将两个结果相加，通过sigmoid将权值固定在(0,1)；

所述空间注意力模块对输入的特征做一次平均池化、一次最大池化，拼接两次池化的结果，再与卷积核进行卷积，通过sigmoid函数将权值固定在(0,1)；

所述深度学习算法模型，其构建过程如下：

步骤1、构建有限元模型，模拟待测物体内部不同的电阻抗分布情况，生成对应边界电压与原始图像，对边界电压进行预处理，对原始图像进行裁剪，得到边界电压-原始图像对；

步骤2、重复步骤1，构建深度学习算法所需的数据集，所述数据集包括具有不同成像目标、不同位置的边界电压与原始图像；对所述深度学习算法模型进行训练；

步骤3、保存步骤2训练好的模型参数，调用参数，在FPGA控制板实现所述深度学习算法模型结构，并将深度学习算法模块接入微处理器模块总线；

所述成像显示模块将所述深度学习算法模块得到的重建图像显示在屏幕上；

微处理器模块中划分不同的内存区域，各模块接入微处理器内核总线，以实现各模块间以及各模块与微处理器间的通信和数据交换。

2.根据权利要求1所述的基于FPGA的深度学习电阻抗成像系统，其特征在于，所述数据采集模块包括电极采样阵列、激励电流源模块、数据选通阵列、降噪滤波模块；

所述电极采样阵列由传感器组成，用于向待测物体注入激励电流、采集待测物体表面边界电压；

所述激励电流源模块作为激励源加于待测物体表面，激励源由压控电流源生成；

所述数据选通阵列用于选通物体表面电极，确保激励电流源模块按相邻注入法的顺序向电极采样阵列注入激励电流，使所述数据选通阵列选通电极采样阵列采集边界电压；

所述降噪滤波模块用于滤除激励电流源的低频噪声干扰。

3.根据权利要求2所述的基于FPGA的深度学习电阻抗成像系统，其特征在于，所述深度学习算法模块对数据选通阵列采集到的边界电压数据进行映射，重建待测物体内部结构图像。

4.根据权利要求1所述的基于FPGA的深度学习电阻抗成像系统，其特征在于，所述预处理步骤如下：

1)、对边界电压归一化，得到电压V_norm；

2)、求出归一化后电压V_norm的均值μ和方差σ²；

3)、预处理电压