本发明专利技术提供了一种基于行波分解和机器学习的模量反演方法及系统，包括：步骤S1：针对波动位移的成像采集位移场，生成基于行波分解的训练数据；步骤S2：构建复数协方差神经网络；步骤S3：建立行波分解模型生成的带噪训练数据集；步骤S4：利用训练好的网络进行反演和多频多方向融合。本发明专利技术通过构建复数协方差神经网络，利用行波分解模型生成的带噪训练数据集挖掘波场到弹性参数的映射算子，解决了带噪复杂波场的模量反演问题。波场的模量反演问题。波场的模量反演问题。
【技术实现步骤摘要】
基于行波分解和机器学习的模量反演方法及系统
[0001]本专利技术涉及医学成像
，具体地，涉及一种基于行波分解和机器学习的模量反演方法及系统。
技术介绍
[0002]目前在超声弹性成像中，主要利用有限元仿真数据和神经网络对于超声弹性成像问题进行反演的算法，包括利用有限元生成特定场景的复杂波场和多层神经网络进行模量的估计。但该种方法训练集生成方式有局限性，模量估计结果依赖训练场景，泛化性能一般。
[0003]专利文献CN109567872B公开了一种基于机器学习的血管导波弹性成像方法及系统，该方法包括：通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，并获取有限元分析结果；根据有限元分析结果得到全场节点的运动速度分布，并提取薄层中线上节点的运动速度，获取频散曲线以作为神经网络的输入信号；根据频散曲线得到神经网络的训练集和测试集，并采用神经网络方法进行训练，直至训练集上的误差小于预设值，以最终神经网络得到血管导波弹性成像图像。
[0004]专利文献CN108986909B公开了一种基于超声弹性成像的软组织弹性和粘弹性表征方法及装置，其中，方法包括：通过有限元方法模拟超声弹性成像，以获取人工神经网络的训练数据；对所述训练数据进行数据前处理，以使所述训练数据包含满足预设条件的有效信息，并获取前处理后的特征图；对所述前处理后的特征图进行训练，以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。
[0005]上述专利文献中公开了利用有限元仿真数据和神经网络对于超声弹性成像问题进行反演的算法，包括利用有限元生成特定场景的复杂波场和多层神经网络进行模量的估计。但上述方法训练集生成方式有局限性，模量估计结果依赖训练场景，泛化性能一般。
技术实现思路
[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种基于行波分解和机器学习的模量反演方法及系统。
[0007]根据本专利技术提供的一种基于行波分解和机器学习的模量反演方法，包括：
[0008]步骤S1：针对波动位移的成像采集位移场，生成基于行波分解的训练数据；
[0009]步骤S2：构建复数协方差神经网络；
[0010]步骤S3：建立行波分解模型生成的带噪训练数据集；
[0011]步骤S4：利用训练好的网络进行反演和多频多方向融合。
[0012]优选地，在所述步骤S1中：
[0013]步骤S1.1：在局部均匀的假设下，不可压缩的各向同性介质中的波场为多个行波的合成：
[0014][0015]其中，r是空间位置向量，U是在r处的总波场，M是总的行波个数，a
m
是第m个行波的复振幅，是第m个行波的单位传播方向，k＝k
′
+i
·
k
″
是局部复波数，k
′
是实波数，k
″
是与衰减有关的指数项；
[0016]设置不同的行波个数M、不同的复振幅u
m
、不同的传播方向和不同的k模拟出一系列训练数据；
[0017]步骤S1.2：对波场加复高斯噪声：
[0018][0019]其中，为单位复高斯噪声，b为噪声强度；
[0020]步骤S1.3：对k做频率的归一化：
[0021][0022]加噪波场和归一化波数作为后续网络的训练集ω为振动频率，为归一化复波数。
[0023]优选地，在所述步骤S2中：
[0024]步骤S2.1：网络的输入做协方差预处理，vec(U)vec(U)
H
，其中U为复波场；
[0025]步骤S2.2：复数全连接神经网络，网络中的权重和偏执均为复数，激活函数为：
[0026][0027]其中，z为激活函数输入的复数，b为待学习的实数参数，θ
z
为z的相角；
[0028]步骤S2.3：分成和两个估计结构分支，两个分支结构一样，输出层分别取实部和虚部作为最终输出，网络训练和推理两个分支独立进行。
[0029]优选地，在所述步骤S3中：
[0030]不同频率分量训练不同的D到的神经网络TWENN，数据反演时，同频率不同方向的数据共用同一个TWENN块，不同频率使用对应频率训练的TWENN。
[0031]优选地，在所述步骤S4中：
[0032]融合公式如下，G
′
和G
″
分别表示储能模量和损耗模量。
[0033][0034]其中，i为虚数单位，n为频率编号，f
n
为第n个频率，N为总的频率数，m为波动传播方向编号，d
m
为第m个波动传播方向，M为总的方向数。
[0035]根据本专利技术提供的一种基于行波分解和机器学习的模量反演系统，包括：
[0036]模块M1：针对波动位移的成像采集位移场，生成基于行波分解的训练数据；
[0037]模块M2：构建复数协方差神经网络；
[0038]模块M3：建立行波分解模型生成的带噪训练数据集；
[0039]模块M4：利用训练好的网络进行反演和多频多方向融合。
[0040]优选地，在所述模块M1中：
[0041]模块M1.1：在局部均匀的假设下，不可压缩的各向同性介质中的波场为多个行波的合成：
[0042][0043]其中，r是空间位置向量，U是在r处的总波场，M是总的行波个数，a
m
是第m个行波的复振幅，是第m个行波的单位传播方向，k＝k
′
+i
·
k
″
是局部复波数，k
′
是实波数，k
″
是与衰减有关的指数项；
[0044]设置不同的行波个数M、不同的复振幅u
m
、不同的传播方向和不同的k模拟出一系列训练数据；
[0045]模块M1.2：对波场加复高斯噪声：
[0046][0047]其中，为单位复高斯噪声，b为噪声强度；
[0048]模块M1.3：对k做频率的归一化：
[0049][0050]加噪波场和归一化波数作为后续网络的训练集ω为振动频率，为归一化复波数。
[0051]优选地，在所述模块M2中：
[0052]模块M2.1：网络的输入做协方差预处理，vec(U)vec(U)
H
，其中U为复波场；
[0053]模块M2.2：复数全连接神经网络，网络中的权重和偏执均为复数，激活函数为：
[0054][0055]其中，z为激活函数输入的复数，b为待学习的实数参数，θ
z
为z的相角；
[0056]模块M2.3：分成和两个估计结构分支，两个分支结构一样，输出层分别取实部和虚部作为最终输出，网络训练和推理两个分支独立进行。
[0057]优选地，在所述模块M3中：
[0058]不同频率分量训练不同的D到的神经网络TWENN本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于行波分解和机器学习的模量反演方法，其特征在于，包括：步骤S1：针对波动位移的成像采集位移场，生成基于行波分解的训练数据；步骤S2：构建复数协方差神经网络；步骤S3：建立行波分解模型生成的带噪训练数据集；步骤S4：利用训练好的网络进行反演和多频多方向融合。2.根据权利要求1所述的基于行波分解和机器学习的模量反演方法，其特征在于，在所述步骤S1中：步骤S1.1：在局部均匀的假设下，不可压缩的各向同性介质中的波场为多个行波的合成：其中，r是空间位置向量，U是在r处的总波场，M是总的行波个数，a
m
是第m个行波的复振幅，是第m个行波的单位传播方向，k＝k
′
+i.k
″
是局部复波数，k
′
是实波数，k
″
是与衰减有关的指数项；设置不同的行波个数M、不同的复振幅um、不同的传播方向和不同的k模拟出一系列训练数据；步骤S1.2：对波场加复高斯噪声：其中，为单位复高斯噪声，b为噪声强度；步骤S1.3：对k做频率的归一化：加噪波场和归一化波数作为后续网络的训练集ω为振动频率，为归一化复波数。3.根据权利要求1所述的基于行波分解和机器学习的模量反演方法，其特征在于，在所述步骤S2中：步骤S2.1：网络的输入做协方差预处理，vec(U)vec(U)
H
，其中U为复波场；步骤S2.2：复数全连接神经网络，网络中的权重和偏执均为复数，激活函数为：其中，z为激活函数输入的复数，b为待学习的实数参数，θ
z
为z的相角；步骤S2.3：分成和两个估计结构分支，两个分支结构一样，输出层分别取实部和虚部作为最终输出，网络训练和推理两个分支独立进行。4.根据权利要求1所述的基于行波分解和机器学习的模量反演方法，其特征在于，在所述步骤S3中：不同频率分量训练不同的D到的神经网络TWENN，数据反演时，同频率不同方向的数据共用同一个TWENN块，不同频率使用对应频率训练的TWENN。5.根据权利要求1所述的基于行波分解和机器学习的模量反演方法，其特征在于，在所
述步骤S4中：融合公式如下，G
′
和G
″
分别表示储能模量和损耗模量。其中，i为虚数单位，n为频率编号，f
n
为第n个频率，N为总的频率数，m为波动传播方向编号，d
m
为第m个波动传播方向，M为总的方向数。6.一种基于行波分解和机器学习的模量...
【专利技术属性】
技术研发人员：冯原，马盛元，严福华，陈亮，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。