一种基于复值卷积的GAN增强磁感应成像方法及系统技术方案

本发明专利技术公开一种基于复值卷积的GAN增强磁感应成像方法及系统，包括：S1、采集电压序列数据，构建复值神经网络模型，将所述电压序列数据输入所述复值神经网络模型进行训练，得到初步电导率分布图像；S2、构建对抗生成网络模型，将所述初步电导率分布图像输入所述对抗生成网络模型进行训练，得到用于图像增强的生成器；S3、将所述初步电导率分布图像输入所述生成器，得到高精度目标电导率分布图。本发明专利技术将对抗生成网络模型作为图像优化模块对复值卷积网络的输出进行图像增强，充分利用了电压序列数据的复值特性，提高了神经网络的训练效率及电导率重建的准确性，进而提高了最终图像的分辨率与精度。分辨率与精度。分辨率与精度。

【技术实现步骤摘要】
一种基于复值卷积的GAN增强磁感应成像方法及系统


[0001]本专利技术涉及生物医学成像和深度学习领域，主要涉及一种基于复值卷积的GAN增强磁感应成像方法及系统。

技术介绍

[0002]如今用于临床诊断的成像技术主要有超声成像(ultrasonicimaging)、X射线断层成像(X
‑
ray computer
‑
tomography，X
‑
CT)、磁共振成像(magnetic resonance imaging,MRI)、正电子发射断层成像(positron emission tomography,PET)等。这些检测技术给人类医学带来巨大推动力的同时，仍然存在着各种各样的限制。比如，价格高昂、操作不便、产生辐射、无法实时监测等。尤其是随着经济发展，我国人口老龄化日益严重，脑出血、脑梗死等疾病正威胁着高龄人群。这些疾病的实时图像监护对确诊病因、观察病情发展具有重大意义，而现有的成像技术都不可能做到实时动态监护。电阻抗断层成像(electrical impedance tomography，EIT)和磁感应断层成像 (magnetic induction tomography，MIT)技术有望解决这一问题。
[0003]电阻抗断层成像技术是一种通过物体表面的测量来估计物体内部电性质的成像技术。通常情况下，采取将电流通过电极注入物体表面，并测量产生的电极电压的方式。再通过重构算法利用得到的电流和电压信息来求解逆问题，计算对象中的电导率和介电常数分布。是一种无创、无辐射、相应迅速、低成本的成像方法。目前电阻抗成像技术因其优点已被广泛应用于工业过程成像、生物医学成像以及地质勘探领域。
[0004]磁感应断层成像是一种非接触、无损害的以人体电导率分布为成像目标的电阻抗断层成像技术，可参考文献(GriffithH.MagneticInduction Tomography[J].MeasSciTech,2001,12(8):1126
‑
1131.)。 MIT基本原理是基于法拉第电磁感应理论的涡流检测原理，在不接触被测目标的情况下，检测目标的电导率分布及其变化。
[0005]MIT与EIT十分相似，二者均以重建场域内电导率分布为目标。但不同的是，EIT中的电极阵列需要与人体接触，当遇到过敏、外伤等情况时极不方便，而MIT避免了这一系列问题，有着更好的便捷性，且能够减少与人体接触带来的测量误差。此外，MIT的磁场激励方式相比于EIT更容易穿透人体的颅骨等电导率较低的组织，因此MIT具有非常大的潜能，是医学领域的研究热点。
[0006]对于MIT，在传统重建算法研究的过程中需要考虑正问题和逆问题，其正问题的本质是求解一个时谐开域准静态涡流场的边值问题，即由已知被测物体内部的电导率分布和导体外激励线圈中的激励电流分布以及介电常数、磁导率等信息来求出检测线圈中的电压值。而逆问题则是由测得的边界电压序列通过重建算法还原出场域内的电导率分布，其本质是求解一个二阶偏微分方程，是非线性的；同时又是病态的，所谓病态是指数据上的微小误差会引起解的巨大变化，它使许多求解方法变得不稳定，最终导致重建的电导率分布图像不准确、伪影较大、成像质量不高。
[0007]近年来，随着深度学习的不断发展，研究人员逐渐尝试用深度神经网络来进行重
建算法的研究。
[0008]2019年发表于IEEE Access上一篇名为《A Novel Algorithm forHigh
‑
Resolution Magnetic Induction Tomography Based on StackedAuto
‑
Encoder for Biological Tissue Imaging》的文章提出了一种栈式自编码器的神经网络来解决MIT问题。该文章比较了基于SAE和反投影的异常的位置和重建精度，并模拟了出血性卒中，验证了所提算法的实用性。结果表明，基于SAE网络算法的重建相对误差达到 0.29％，提高了异常重建的准确性，并将预测时间减少到0.02s。其提出的SAE神经网络重构算法可以自主学习输入与输出之间的非线性关系，可以解决传统重构算法存在的严重伪影，复杂计算等问题。
[0009]该文章所提出的方法在模拟实验中表现出良好的性能，但是并未在现实数据集中证明其方法的优越性，而相对于模拟数据，现实中采集到的数据往往更加复杂，因为现实世界中存在着诸如温度、电磁干扰等多种场景的噪声，这就导致了即使实验对象不发生任何改变，但采集到的数据却是不同的，甚至相差甚远。所以，在现实数据集上追求高表现显然更具有挑战性也更能解决实际应用中的问题。
[0010]专利CN112001977A(一种基于残差网络的电阻抗断层图像重构方法)提出了一种残差网络用于解决逆问题。该方法尝试用深度学习的方法来替代传统算法以提高成像的质量。该专利包含以下步骤：采用MIT设备，制作人体头骨模型和异质物体，设计不同频率进行数据采集，其中MIT设备一共有16个电极，分别可以工作在激励和检测状态，因此在单激励单接收的情况下每个频率采集到256个数据，一共采集到512个电压数据，同时，将圆形采集场用512个三角形均匀剖分，结合不同的位置坐标以及实际的目标物体的阻值来构建场内相对电导率分布，该残差网络即为512个电压序列到512个电导率分布值的映射；将采集到的一维电压序列转换为与图片相似的多通道矩阵形式，一个频率即为一个通道，同时考虑到频率之间存在影响，引入第三个通道矩阵H3,其是由前两个通道根据公式H3＝H2
‑
f2*H1/f1计算得到，其中f2、f1分别为两个激励频率；针对成像问题特殊性，修改残差网络结构，并自定义损失函数进行训练；利用训练结果生成数据，进行图像处理和优化。
[0011]该专利技术将深度学习中的残差网络应用于MIT的逆问题求解，但其并没有充分利用电压序列中包含的信息，MIT设备采集到的每一个电压值都包含实部和虚部两个部分，其中包含了相位信息，而该专利技术仅仅是取了电压的幅值作为有用信息输入神经网络，损失了其部分信息。同时，该专利技术将场域划分为512个剖分三角形，这个分辨率并不高且图像周围会有许多棱角，所以最终重建的图像需要继续进行形态学上的开运算，这是一种粗糙的处理方式。

技术实现思路

[0012]本专利技术要克服现有技术的上述缺点，提供一种基于复值卷积的 GAN增强磁感应成像方法及系统。
[0013]MIT的逆问题即图像重建，是已知检测线圈中的电压信号，来重建出物场区域内的电导率分布，并将其可视化。其既是非线性的也是病态的，非线性主要是指物场内的电导率分布与检测线圈中电压信号之间的关系是非线性的，MIT需要求解的是一个二阶偏微方程的逆问题。病态性主要表现在其数据上的微小误差会导致解的巨大变化，它使诸如牛顿拉
夫逊法、最小二乘法等传统求解方法变得不稳定，最终导致重建的电导率分布图像不准确，伪影较大，分辨率较低，且图像质量不高。本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复值卷积的GAN增强磁感应成像方法，其特征在于，包括如下步骤：S1、采集电压序列数据，构建复值神经网络模型，将所述电压序列数据输入所述复值神经网络模型进行训练，得到初步电导率分布图像；S2、构建对抗生成网络模型，将所述初步电导率分布图像输入所述对抗生成网络模型进行训练，得到用于图像增强的生成器；S3、将所述初步电导率分布图像输入所述生成器，得到高精度目标电导率分布图。2.根据权利要求1所述的基于复值卷积的GAN增强磁感应成像方法，其特征在于，步骤S1所述的采集所述电压序列数据的具体过程为：通过步进电机定位目标对象，采集初始数据后，剔除干扰数据，得到所述电压序列数据。3.根据权利要求1所述的基于复值卷积的GAN增强磁感应成像方法，其特征在于，步骤S1将所述电压序列数据输入所述复值神经网络模型包括：S1.1、将包含实部和虚部的所述电压序列数据转化为复值表示后进行复值运算；S1.2：计算损失函数，更新模型参数，反复执行此步骤；S1.3：将输出的1x512的向量还原为电导率分布，并进行平滑处理。4.根据权利要求3所述的基于复值卷积的GAN增强磁感应成像方法，其特征在于，步骤S1.3所述平滑处理为对每个三角形区域的值与相邻三角形区域的值进行平均，获得平滑数据；所述平滑处理的公式为：其中，m是周围三角形单元的数量，σ
i
是电导率值。5.根据权利要求1所述的基于复值卷积的GAN增强磁感应成像方法，其特征在于，步骤S2所述对抗生成网络模型至少包括生成器、判别器，通过函数L
GAN
(G，D)＝E
x
[logD(x)]+E
x
[log(1
‑
D(G(z)))]进行描述，其中D最大化为logD(x)，G最小化为log(1
‑
D(G(z)))，x为标签图像，z为随...

【专利技术属性】
技术研发人员：宣琦，宋栩杰，陈其军，周洁韵，韩瑞鑫，张璐，翔云，邱君瀚，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：