[发明专利]基于卷积神经网络的光声显微成像方法及系统

权利要求书

1.一种基于卷积神经网络的光声显微成像方法，其特征在于，包括以下步骤：

S1：通过虚拟光学分辨率光声显微系统模拟仿真调节不同参数得到光声信号训练数据集；

S2：构建网络模型并进行训练，所述网络模型采用U型卷积网络；

S3：将光声显微系统实时采集的信号数据输入到训练好的网络模型中，获得最终处理后的光声信号数据；

S4：将得到的光声信号数据进行成像重建，得到重建图像。

2.根据权利要求1所述的基于卷积神经网络的光声显微成像方法，其特征在于，S1中所述光声显微模拟仿真包括光模拟和声模拟两部分，具体如下：

光模拟和声模拟分别基于开源的蒙特卡罗光传播模拟工具箱MCmatlab和声波场模拟工具箱k-Wave实现，光模拟和声模拟在由体素构成的三维网格中进行，网格大小相匹配，且可根据需要设置各方向上的网格点数和网格点间距，光模拟中的激光束和声模拟中的超声换能器共轴并进行同步的二维光栅扫描；

二维光栅扫描过程中，光模拟中的激光束聚焦在样品深层的体素上，得到样品中吸收体在三维空间的光能沉积分布，经过转换后得到三维空间的初始声压分布，声模拟中初始声压向外扩散，由超声换能器接收得到光声时域信号。

3.根据权利要求2所述的基于卷积神经网络的光声显微成像方法，其特征在于，由光模拟得到的光能沉积分布到初始声压分布的转换根据光声初始声压公式获得，具体为：

p₀(r)＝Γμ_a(r)φr)

其中p₀(r)是位置r处的初始声压；Γ是格鲁尼森系数；φ_a(r)是位置r处的光吸收系数；φ(r)是位置r处的光通量。

4.根据权利要求1所述的基于卷积神经网络的光声显微成像方法，其特征在于，S1中所述的调节不同参数，具体如下：

所述的参数包括样品形态、样品位置、光束波长、光束径向焦平面强度分布、光束径向角强度分布、光束焦点位置、介质吸收系数、介质散射系数、介质各项异性因子、样品吸收系数、样品散射系数、样品各项异性因子、介质声速、介质密度、超声换能器焦距、超声换能器中心频率、超声换能器带宽。

5.根据权利要求1所述的基于卷积神经网络的光声显微成像方法，其特征在于，U型卷积网络模型对图像的处理过程具体如下：

S21：将输入的一维光声信号进行均匀分割并按序排列重组，获得的图像经过两个相同的卷积块得到低层次特征，该卷积块由一个卷积层、一个批量归一化层和一个LReLu激活函数层构成，无池化层；得到的低层次特征再经过四次下采样编码，每次下采样编码后的结果同样经过两个卷积块；

S22：进行四次上采样解码，每次上采样解码后的结果同样经过两个卷积块，其每次上采样解码后得到的结果都与下采样过程中对应的同尺寸输出结果在通道维度相拼接，作为下一次上采样解码的输入；

S23：将最后一次上采样解码的结果与S21中的低层次特征在通道维度相拼接，经过两个卷积块，再经过一个1×1卷积层输出维度为1的图像，将该图像进行S21中分割排列重组的逆操作，得到的一维数据作为最终信号输出。

6.根据权利要求1所述的基于卷积神经网络的光声显微成像方法，其特征在于，S4中所述的图像重建采用最大值投影方法，具体为：

M(i,j)＝max(P_i,j(t:t+Δt))

其中M(i,j)是采集位置(i,j)处的投影值，P_i,j是采集位置(i,j)处的光声时域信号，Δt是选定投影的区间，通过选定区间可以实现对不同深度层的投影。

7.根据权利要求1所述的基于卷积神经网络的光声显微成像系统，其特征在于，所述系统包括：

扫描模块，用于实现对成像范围的二维光栅扫描；

采集模块，用于接收和放大光声信号并将数据传输至计算机；

计算模块，用于对采集到的光声信号进行处理及经过U型卷积神经网络输出，并获得重建图像。