一种基于去噪自编码器的电阻抗深度成像方法技术

本发明专利技术公开了一种基于去噪自编码器的电阻抗深度成像方法，将传统方法和去噪自编码器相结合。首先，采用有限元方法对二维圆域电阻抗成像问题进行数值模拟，获得二维圆域的阻抗分布图像和圆域的边界电压。然后，使用分裂Bregman(the split Bregman method,SBM)算法获得粗成像。最后，将粗成像作为输入，真实阻抗分布图像作为输出，训练去噪自编码器网络。该去噪自编码器网络可以用于电阻抗成像。仿真和实测结果表明，针对圆形目标，提出的方法能够实现较高精度去除伪影，实现精确的形状重建。实现精确的形状重建。实现精确的形状重建。

【技术实现步骤摘要】
一种基于去噪自编码器的电阻抗深度成像方法


[0001]本专利技术属于电阻抗成像
，具体涉及一种基于去噪自编码器的电阻抗深度成像方法。

技术介绍

[0002]电阻抗成像(Electrical Impedance Tomography,EIT)技术是近二十多年出现的新一代无损伤的医学成像技术。EIT技术通过布置在被测物体表面的电极，将交流信号电流注入物体内部，与此同时测量其余电极上的电压值，利用得到的电压信息经过一定重建算法求得被测物体内部的电阻抗分布，进而获得阻抗的图像的过程。但是求其逆问题是一个高度不适定的病态非线性问题，且获得的重构图像伪影较大。
[0003]目前已经发展了几种EIT图像重建算法，有反投影算法(The Back
‑
Projection Algorithm,BP)、高斯
‑
牛顿算法(The Gauss
‑
Newton Algorithm,GN)、迭代Tikhonov算法等。传统方法计算量小，对电脑的配置要求低，缺点是成像效果较差。现代方法以深度学习为代表，如：模拟退火算法(Simulate Anneal,SA)、卷积神经网络(Convolutional Neural Networks,CNN)、U2
‑
Net等等，其特点是计算量大，对电脑配置需求高，但是成像效果较好。
[0004]去噪自编码器(denoising autoencoder,DAE)是一种以损坏数据作为输入，无损坏数据作为输出的自编码器，其本质是对特征逐层抽象的过程，对于训练数据不再需要对特征进行标注，这样就能节省大量的时间和精力。

技术实现思路

[0005]本专利技术的目的在于提供一种基于去噪自编码器的电阻抗深度成像方法，以解决现有技术中存在的成像效果较差，计算量大，对电脑配置需求高的问题。为了得到较为清楚的重建图像，提出了传统方法和去噪自编码器相结合的深度成像方法。
[0006]本专利技术为解决上述技术问题采用以下技术方案：一种基于去噪自编码器的电阻抗深度成像方法，首先，采用有限元方法对二维圆域电阻抗成像问题进行数值模拟，获得二维圆域的阻抗分布图像和圆域的边界电压；然后，使用分裂Bregman(the split Bregman method,SBM)算法获得粗成像；最后，将粗成像作为输入，真实阻抗分布图像作为输出，训练去噪自编码器网络。具体包括以下步骤：
[0007]S1、对背景区域以三角形为剖分单元，使用有限元剖分，在背景区域内模拟生成半径不同的仿真圆形目标物体，设置目标物体的阻抗分布数据；
[0008]S2、根据S1得到的阻抗分布数据，使用有限元法获得二维圆域的阻抗分布图像和圆域的边界电压；通过边界电压值，使用SBM算法获得粗成像；
[0009]S3、把S2得到的粗成像作为输入，真实的阻抗分布图像作为输出，对去噪编码器进行训练，并不断调试去噪编码器的各个参数，直到得到最优的训练完成的去噪编码器；
[0010]S4、将所需求解的被测物体的边界电压值作为输入数据，使用SBM算法获得粗成像，将粗成像输入到S3训练好的去噪编码器中，即得到待测物体的阻抗成像图。
[0011]进一步的，步骤S2中，根据目标物体的阻抗分布数据以及有限元的模型数据获得每个三角剖分单元的系数矩阵，进而获得总体系数矩阵；
[0012]施加边界条件，得到有限元方程，求解有限元方程最终获得边界电压值；所述有限元的模型数据是指图像上的网格，所述边界条件为激励电流。
[0013]进一步的，步骤S3中，去噪自编码器的训练过程包括编码和解码；
[0014]定义仿真物体使用SBM算法加入噪声后图片的像素值为带噪数据将带噪数据通过自编码器的编码过程f
θ
映射到低维隐藏特征空间y，解码过程g
θ
′
对y进行解码，得到无噪图片像素数据z；
[0015]编码过程表示为：解码过程表示为：z＝g
θ
′
(y)＝s(w2y+b2)；其中，f
θ
和g
θ
′
为非线性激活函数，s(*)是编码解码函数；w1和w2是权重矩阵，b1和b2是偏差向量，θ是{w1,b1}的参数化，θ
′
是{w2,b2}的参数化；
[0016]在训练时利用反向传播算法最小化重构误差，误差函数表示为：
[0017][0018]其中x代表仿真物体原始图片的像素值；训练过程中调试参数包括学习率、激励函数，当误差函数L
H
(x,z)最小时得到最优参数，停止训练，得到目标函数误差最小的去噪自编码器网络模型。
[0019]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0020]本专利技术提出的基于去噪自编码器的电阻抗深度成像方法，使用仿真数据进行训练，对于实测数据也有很好的适应性。将传统方法和去噪自编码器相结合，具有计算量小，对电脑的配置要求低，成像效果好的优点。
[0021]去噪编码器属于无监督的特征学习，即对于训练数据不再需要对特征进行标注，能节省大量的时间和精力。并且，通过编码器传递的输入数据可以创建一个压缩的表示，这个压缩其实就是中间层，之后就可以通过解码器重构原始输入，使得计算更为简单。
[0022]经过训练的去噪编码器，能够有效去除背景区域的伪影，使成像的背景区域更加均匀，并且使目标物体更加清晰明了。与传统算法相比，该方法的推广能力更强，运算速度更快。
附图说明
[0023]图1是本专利技术实施例的流程示意图；
[0024]图2是本专利技术实施例中去噪自编码器训练过程；
[0025]图3是本专利技术实例中被测物体琼脂的真实图像；
[0026]图4是本专利技术的方法生成的琼脂图像。
具体实施方式
[0027]为使本专利技术实施例的目的、技术效果及技术方案更加清楚，下面结合本专利技术实施例子中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述；显然，所描述的实施例是本专利技术一部分实施例。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0028]本专利技术实施例提供的一种基于去噪自编码器的电阻抗深度成像方法，首先，通过随机生成大量的仿真阻抗分布数据，并使用有限元法计算这些阻抗分布数据的边界电压信息。再通过边界电压值，使用SBM算法获得粗成像，将粗成像和真实阻抗分布图像分别作为去噪编码器(DAE)的输入和输出，得到去噪编码器的训练数据集。然后，通过训练数据集对去噪编码器进行训练，并且不断调试去噪编码器的各个参数，直到得到最优的训练完成的去噪编码器。最后，将所需求解的被测物体的边界电压值作为输入数据，使用SBM算法获得粗成像，将粗成像输入到训练好的去噪编码器中，即得到待测物体的阻抗成像图。如图1所示，具体包括以下步骤：
[0029]S1、对背景区域以三角形为剖分单元，使用有限元剖分，在背景区域内模拟生成半径不同的仿本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于去噪自编码器的电阻抗深度成像方法，其特征在于，包括以下步骤：S1、对背景区域以三角形为剖分单元，使用有限元剖分，在背景区域内模拟生成半径不同的仿真圆形目标物体，设置目标物体的阻抗分布数据；S2、根据S1得到的阻抗分布数据，使用有限元法获得二维圆域的阻抗分布图像和圆域的边界电压；通过边界电压值，使用SBM算法获得粗成像；S3、把S2得到的粗成像作为输入，真实的阻抗分布图像作为输出，对去噪编码器进行训练，并不断调试去噪编码器的各个参数，直到得到最优的训练完成的去噪编码器；S4、将所需求解的被测物体的边界电压值作为输入数据，使用SBM算法获得粗成像，将粗成像输入到S3训练好的去噪编码器中，即得到待测物体的阻抗成像图。2.如权利要求1所述的基于去噪自编码器的电阻抗深度成像方法，其特征在于，步骤S2中，根据目标物体的阻抗分布数据以及有限元的模型数据获得每个三角剖分单元的系数矩阵，进而获得总体系数矩阵；施加边界条件，得到有限元方程，求解有限元方程最终获得边界电压值；所述有限元的模型数据是指图像上的网格，所述边界条件为激励电流。3.如权利要求1或2所述的基于去噪自...

【专利技术属性】
技术研发人员：钱慧，王苏煜，韩仲鑫，刘瑞兰，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：