基于深度学习的电阻抗层析成像方法技术

本发明专利技术涉及一种基于深度学习的电阻抗层析成像(Electrical Impedance Tomography，EIT)方法，适用于医学成像、工业过程成像和地质勘探等技术领域。所述方法包括：获取原始边界测量电压序列和电导率分布序列，并做归一化处理得到训练样本集合；建立初始EIT深度学习网络模型，根据训练样本集合和设定的训练模式训练EIT深度学习网络模型，使训练获得的EIT深度学习网络模型表征边界测量电压序列与电导率分布序列之间的映射关系；通过给映射关系输入边界测量电压序列，获取电导率分布序列，最后将电导率分布序列恢复为矩阵形式，得到EIT图像。本发明专利技术提出的成像方法简化了建模过程及问题的求解难度，解决了电阻抗层析成像逆问题求解时的非线性和病态问题，提高了逆问题的求解精度和图像重建质量。

【技术实现步骤摘要】

本专利技术属于电阻抗层析成像(ElectricalImpedanceTomography，EIT)
，具体涉及一种基于深度学习的电阻抗层析成像方法。
技术介绍
电学层析成像技术(ElectricalTomography，ET)是自上世纪80年代后期出现的一种新的基于电特性敏感机理的过程层析成像技术，它的物理基础是不同的媒质具有不同的电特性(电导率/介电系数/复导纳/磁导率)，通过判断敏感场内物体的电特性分布便可推知该场中媒质的分布情况。电学层析成像技术在多相流及生物医学领域有广泛的应用前景，可以实现长期、持续监测。电阻抗层析成像通过在被测物场某一断层表面施加一定的交变电流，并测量相应检测电极上的边界电压，然后根据一定的重建算法重建出被测物场内部电导率分布图像。但是由于EIT电场分布具有“软场”特性，使得测量电压和被测物场内电导率分布呈非线性关系，即EIT逆问题具有非线性。EIT图像重建算法，大体可以分为三类：非迭代类算法、迭代类算法和智能算法，其中非迭代算法具有成像速度快，算法结构简单等特点，但其成像质量往往不高；迭代类算法成像速度下降，算法结构相对复杂，但成像质量比非迭代类成像算法质量高；智能算法是近几年来新兴的图像重建算法，其算法构造具有直观性，包含自然机理，典型的就是神经网络方法，它简化了建模过程及问题的求解难度，完成了输入与输出之间的非线性映射关系即完成了模型的建立。但因其属于浅层学习，一般只有很少的隐层，故其缺点一是容易过拟合，二是对参数过于敏感，三是对复杂的函数表示能力有限。而深度学习是相对于浅层学习提出的，源于神经网络又不同于神经网络，它拥有比神经网络更多的隐层，采用逐层初始化的训练机制，首先训练好每层网络，然后优化训练好的网络，完成深度学习的训练。它的这种多层结构可以减少过拟合现象的产生，并且可以用较少的参数来表示复杂的函数，因此用深度学习能更好地表征输入与输出之间的非线性映射关系。基于此，本专利技术提出了基于深度学习的电阻抗层析成像方法。
技术实现思路
一种基于深度学习的电阻抗层析成像方法，适用于医学成像、工业过程成像和地质勘探等
该方法通过对电极阵列传感器提供的原始边界测量电压序列和电导率分布序列进行归一化处理，并利用EIT深度学习网络模型表征归一化边界测量电压序列与电导率分布序列之间的映射关系，根据未经训练的边界测量电压序列和该映射关系，获得电导率分布序列，进而重建EIT图像。该方法解决了电阻抗层析成像逆问题求解时的非线性和病态问题，提高了逆问题的求解精度和图像重建质量。一种基于深度学习的电阻抗层析成像方法，包括获取与处理原始数据：获取网络输入的原始边界测量电压序列和对应的电导率分布序列，处理后称之为训练样本集合；构建网络模型：根据训练样本集合，建立EIT深度学习网络模型，包括输入层、隐层和输出层的多层结构并确定各层的节点数，初始化网络层与层之间的连接权重和各层的偏置，并设置网络的初始参数值：学习率、最大迭代次数、误差允许值；训练网络模型：根据训练样本集合和构建的初始EIT深度学习网络模型，训练网络模型，建立边界测量电压序列和电导率分布序列之间的映射关系。重建EIT图像：根据未经训练的边界测量电压序列和所述训练后的EIT深度学习网络模型，得到电导率分布序列，从而重建EIT图像。对输入的原始边界测量电压序列和电导率分布序列分别进行归一化处理，得到由归一化的边界测量电压序列组成的训练样本集合和由归一化的电导率分布序列组成的训练样本集合其中n1表示每一组边界测量电压序列有n1个电压值，n2表示电导率分布被剖分的个数，m表示训练样本数目。建立EIT深度学习网络模型的网络结构，包括：输入层的节点数为n1；三个隐层且每个隐层的节点数为n2；输出层的节点数为n2；网络输入层与第一隐层的连接权重为第一隐层与第二隐层、第二隐层与第三隐层、第三隐层与输出层之间的连接权重分别为输入层偏置为第i(i＝1，2，3)隐层的偏置为输出层的偏置为网络的初始参数值：学习率ε＝0.3，层与层之间的最大迭代次数为maxiter＝50，层与层之间的误差允许值为error＝2×10-3。根据构建的EIT深度学习网络模型和训练样本集合U和X，训练网络模型：(1)将训练样本集合输入到模型输入层后，根据限制玻尔兹曼机(RestrictedBoltzmannMachine，RBM)模型的能量函数最小原则，得到输入层与第一隐层之间的条件概率关系，再由数据正向和反向传播分别得到第一隐层和输入层的初始状态；通过对比散度(ContrastiveDivergence，CD)算法得到两层之间的参数(包括连接权重、输入层偏置和第一隐层偏置)更新的迭代步长，进而获得更新的网络参数和输入输出状态；计算两层之间的数据拟合误差，直到满足迭代终止条件，得到模型ml；(2)将第一隐层输出的数据状态特征作为第二隐层的输入，根据RBM模型的能量函数最小原则，得到第一隐层与第二隐层之间的条件概率关系，再由数据正向和反向传播分别得到第一隐层和第二隐层的初始状态；通过CD算法得到两层之间的参数(包括连接权重和第二隐层偏置)更新的迭代步长，进而获得更新的网络参数和输入输出状态；计算两层之间的数据拟合误差，直到满足迭代终止条件，得到模型m2；(3)将第二隐层输出的数据状态特征作为第三隐层的输入，根据RBM模型的能量函数最小原则，得到第二隐层与第三隐层之间的条件概率关系，再由数据正向和反向传播分别得到第二隐层和第三隐层的初始状态；通过CD算法得到两层之间的参数(包括连接权重和第三隐层偏置)更新的迭代步长，进而获得更新的网络参数和输入输出状态；计算两层之间的数据拟合误差，直到满足迭代终止条件，得到模型m3；(4)将第三隐层输出的数据状态特征作为输出层的输入，根据RBM模型的能量函数最小原则，得到第三隐层与输出层之间的条件概率关系，再由数据正向和反向传播分别得到第三隐层和输出层的初始状态；通过CD算法得到两层之间的参数(包括连接权重和输出层偏置)更新的迭代步长，进而获得更新的网络参数和输入输出状态；计算两层之间的数据拟合误差，直到满足迭代终止条件，得到模型m4；(5)按照以上步骤进行训练后，最终得到EIT深度学习模型model{m1，m2，m3，m4本文档来自技高网...

【技术保护点】
一种基于深度学习的电阻抗层析成像(Electrical Impedance Tomography，EIT)方法，其特征在于，包括(1)获取与处理原始数据：获取网络输入的原始边界测量电压序列和对应的电导率分布序列，处理后称之为训练样本集合；(2)构建网络模型：根据训练样本集合，建立EIT深度学习网络模型，包括输入层、隐层和输出层的多层结构并确定各层的节点数，初始化网络层与层之间的连接权重和各层的偏置，并设置网络的初始参数值：学习率、最大迭代次数、误差允许值；(3)训练网络模型：根据训练样本集合和构建的初始EIT深度学习网络模型，训练网络模型，建立边界测量电压序列和对应的电导率分布序列之间的映射关系。(4)重建EIT图像：根据未经训练的边界测量电压序列和所述训练后的EIT深度学习网络模型，得到电导率分布序列，从而重建EIT图像。

【技术特征摘要】
1.一种基于深度学习的电阻抗层析成像(ElectricalImpedanceTomography，EIT)方法，其特征在于，包括(1)获取与处理原始数据：获取网络输入的原始边界测量电压序列和对应的电导率分布序列，处理后称之为训练样本集合；(2)构建网络模型：根据训练样本集合，建立EIT深度学习网络模型，包括输入层、隐层和输出层的多层结构并确定各层的节点数，初始化网络层与层之间的连接权重和各层的偏置，并设置网络的初始参数值：学习率、最大迭代次数、误差允许值；(3)训练网络模型：根据训练样本集合和构建的初始EIT深度学习网络模型，训练网络模型，建立边界测量电压序列和对应的电导率分布序列之间的映射关系。(4)重建EIT图像：根据未经训练的边界测量电压序列和所述训练后的EIT深度学习网络模型，得到电导率分布序列，从而重建EIT图像。2.如权利要求1所述方法，其特征在于，对输入的原始边界测量电压序列和对应的电导率分布序列分别进行归一化处理，得到由归一化的边界测量电压序列组成的训练样本集合和由归一化的电导率分布序列组成的训练样本集合n1表示每一组边界测量电压序列有n1个电压值，n2表示电导率分布被剖分的个数，m表示训练样本数目。3.如权利要求1所述方法，建立EIT深度学习网络模型的网络结构，包括：输入层的节点数为n1；三个隐层且每个隐层的节点数为n2；输出层的节点数为n2；网络输入层与第一隐层的连接权重为第一隐层与第二隐层、第二隐层与第三隐层、第三隐层与输出层之间的连接权重分别为输入层偏置为第i(i＝1，2，3)隐层的偏置为输出层的偏置为网络的初始参数值：学习率ε＝0.3，层与层之间的最大迭代次数为maxiter＝50，层与层之间的误差允许值为error＝2×10-3。4.如权利要求1至3所述方法，其特征在于根据构建的EIT深度学习网络模型和训练样本集合U和X，训练网络模型，步骤如下：(1)将训练样本集合输入到模型输入层后，...

【专利技术属性】
技术研发人员：汪剑鸣，代月霞，王琦，李秀艳，段晓杰，孙玉宽，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津;12