[发明专利]一种内窥式光声层析图像中反射伪影的去除方法及系统

权利要求书

1.一种内窥式光声层析图像中反射伪影的去除方法，其特征在于，所述方法，包括：

获取待成像平面的光声数据组；

将所述光声数据组输入到反射伪影去除模型中，得到待成像平面处去除反射伪影后的光吸收能量分布图；所述伪影去除模型是根据历史光声数据组对RAR-Net神经网络进行训练得到的；所述RAR-Net神经网络是将深度梯度下降网络的输出作为深度学习分割网络的输入得到的。

2.根据权利要求1所述的内窥式光声层析图像中反射伪影的去除方法，其特征在于，在所述获取待成像平面的光声信号之前，还包括：

获取多个成像平面的历史光声数据组及多个成像平面去除反射伪影后的历史光吸收能量分布图作为训练数据；

将所述训练数据划分为多个训练集；

利用多个训练集，以历史光声数据组为输入，以去除反射伪影后的历史光吸收能量分布图为期望输出，对RAR-Net神经网络进行训练，得到反射伪影去除模型。

3.根据权利要求2所述的内窥式光声层析图像中反射伪影的去除方法，其特征在于，所述利用多个训练集，以历史光声数据组为输入，以去除反射伪影后的历史光吸收能量分布图为期望输出，对RAR-Net神经网络进行训练，得到反射伪影去除模型，具体包括：

确定训练前的RAR-Net神经网络为第k×epoch×I阶RAR-Net神经网络；

令迭代轮次k＝0；

令训练集遍历次数epoch＝0；

确定任一训练集为当前训练集；

令当前训练集的索引I＝1；

将所述当前训练集输入到第k×epoch×I阶RAR-Net神经网络中，调整第k×epoch×I阶RAR-Net神经网络的参数，得到第k×epoch×(I+1)阶RAR-Net神经网络；

更新当前训练集，令I的数值增加1，并返回步骤“将所述当前训练集输入到第k×epoch×I阶RAR-Net神经网络中，调整第k×epoch×I阶RAR-Net神经网络的参数，得到第k×epoch×(I+1)阶RAR-Net神经网络”直至历遍训练集，得到第k×(epoch+1)×1阶RAR-Net神经网络；

令epoch的数值增加1并返回步骤“令当前训练集的索引I＝1”直至epoch大于训练集遍历次数阈值，得到第(k+1)×0×1阶RAR-Net神经网络；

令k的数值增加1并返回步骤“令训练集遍历次数epoch＝1”直至k大于迭代轮次阈值，得到k×epoch×I阶RAR-Net神经网络作为反射伪影去除模型。

4.根据权利要求3所述的内窥式光声层析图像中反射伪影的去除方法，其特征在于，所述将所述当前训练集输入到第k×epoch×I阶RAR-Net神经网络中，调整第k×epoch×I阶RAR-Net神经网络的参数，得到第k×epoch×(I+1)阶RAR-Net神经网络，具体包括：

将所述当前训练集中的历史光声数据组输入到第k×epoch×I阶RAR-Net神经网络中，得到第k×epoch×I次迭代时的光吸收能量历史预测分布图；

根据历史光吸收能量分布图和第k×epoch×I次迭代时的光吸收能量历史预测分布图，确定深度梯度下降网络的损失为第一损失并确定深度学习分割网络的损失为第二损失；

确定深度梯度下降网络的输出层的线性激活响应为第一线性激活响应；

确定深度学习分割网络的输出层的线性激活响应为第二线性激活响应；

根据所述第一线性激活响应确定深度梯度下降网络的输出层的误差向量为第一输出误差向量；

根据所述第二线性激活响应确定深度学习分割网络的输出层的误差向量为第二输出误差向量；

根据所述第一损失和第一输出误差向量，利用第一递推公式确定深度梯度下降网络每一层的误差向量为第一误差向量组；

根据所述第二损失和第二输出误差向量，利用第二递推公式确定深度学习分割网络每一层的误差向量为第二误差向量组；

根据所述第一误差向量组和所述第二误差向量组，确定所述k×epoch×I阶RAR-Net神经网络每一层的梯度；

根据所述第k×epoch×I阶RAR-Net神经网络每一层的梯度，利用Adam算法更新多个所述梯度，得到所述第k×epoch×(I+1)阶RAR-Net神经网络。