【技术实现步骤摘要】
：本专利技术属于医疗设备，具体涉及一种光散射乳腺诊断系统。
技术介绍
0、
技术介绍
：
1、光散射成像(dot)技术是一种非侵入性、无辐射的乳腺诊断方法，它利用光的散射和吸收特性，通过测量乳腺组织内部的光传输和反射，来获取乳腺组织的结构和功能信息。
2、dot技术的逆向问题求解，是利用乳腺组织边界光流量重建组织光学参数的重要环节，但是其呈现的高度病态性常常导致dot的精度降低。为了减少病态性，人们通常采用深度学习的方法建立被测组织光学参数与边界光流量数值之间的非线性映射关系。然而，基于深度学习的方法收敛速度慢、训练时间长，并且存在一定的误差，导致对乳腺组织的重建存在时间长和精度差的问题。
技术实现思路
0、
技术实现思路
：
1、为解决上述技术问题，本专利技术提供一种光散射乳腺诊断系统，通过采集已知乳腺组织光学参数与其测量到的边界光流量数据，构建二者之间的bp人工神经网络模型，模型采用多项式拟合模型自定义输入的激活函数，加快模型训练的收敛速度，增加了模型精度。
2、本专利技术的目的可以通过以下技术方案实现：
3、本专利技术提供了一种光散射乳腺诊断系统，包括光数据采集系统、数据建模系统和图像输出系统，其中：
4、光数据采集系统，用于采集已知待测乳腺组织的光学参数和组织边界光流量数据，并传输到数据建模系统；
5、数据建模系统，用于建立组织光学参数与边界光流量之间的人工神经网络模型，并将模型传输到图像输出系统；
6、图像输出系统，用于利用模型对新采集的光数据进行预测，并根据预测结果，输出被测乳腺组织的光学参数分布。
7、进一步地，所述的光数据采集系统中，所述光学参数为吸收系数，其公式为：
8、μa＝ρa×σa，
9、式中，μa为吸收系数；ρa为吸收粒子密度；σa为吸收截面，σa＝pabs/i0，pabs为被组织吸收的光功率，i0为入射光强度。
10、进一步地，所述的数据建模系统中，所述人工神经网络为bp人工神经网络，包括以下步骤：
11、a1、确定模型结构：确定神经网络的层数和每层的神经元数量，包括输入层、隐藏层和输出层；
12、a2、确定激活函数：采用多项式拟合模型确定乳腺组织边界光流量和光学参数之间的函数表达式，并将该公式作为人工神经网络的激活函数。
13、a3、前向传播：将输入数据通过神经网络进行计算，从输入层开始，通过隐藏层逐层传递，最终到达输出层，在每个神经元中，根据输入数据和权重计算加权和，最后通过激活函数得到神经元的输出；
14、a4、计算误差：将神经网络的输出与期望输出进行比较，计算出误差；
15、a5、反向传播：根据误差，从输出层开始，逐层反向传播误差，并根据误差利用梯度下降算法调整连接权重和偏置；
16、a6、重复迭代：重复进行步骤a3至步骤a5，直到达到预设的误差阈值时停止；
17、a7、模型评估：使用独立的测试数据集对训练好的神经网络进行测试，采用绝对偏差评估模型成像的重建能力。
18、进一步地，步骤a1中，所述的模型结构，输入层为乳腺组织边界光流量，输出层为光学参数，隐藏层层数为1层，输入层单元与隐藏层单元之间，以及隐藏层单元与输出层单元之间都设有连接权重和偏置，隐藏层和输出层都设有激活函数，神经元输出的计算公式如下：
19、
20、式中，y为神经元输出；xi为输入；b为偏置；w为神经元之间的连接权重；f为激活函数。
21、进一步地，步骤a2中，所述的确定激活函数，所述多项式拟合模型，包括以下步骤：
22、b1，确定模型结构：确定模型的表达式，包括自变量和因变量的选择；
23、b2，调整模型参数：通过比较不同参数的模型拟合度，确定最佳参数的模型。
24、进一步地，步骤b1中，所述的模型结构是以乳腺组织边界光流量为自变量，光学参数为因变量，其表达式为：
25、z＝a0+a1t+a2t2+...+antn，
26、式中，z为光学参数；t为边界光流量；a0，a1，a2，……，an为拟合参数；n为模型的阶数。
27、进一步地，步骤b2中，所述的调整模型参数，是利用aic准则比较不同阶数n的模型拟合度，以确定模型的最佳阶数，并确定使模型残差平方和最小的拟合参数。
28、进一步地，步骤a3中，所述的前向传播，包括以下步骤：
29、c1、计算模型隐藏层的输出，其公式为：
30、
31、式中，yj为输入层到隐藏层的输出；xi为第i个输入值，i＝1，2，……，n；n为总样本数；bj为隐藏层的偏置；wji为输入层和隐藏层之间的连接权重；ɡ为隐藏层的激活函数，配置为归一化函数：
32、
33、
34、c2、计算模型输出层的输出，其公式为：
35、
36、式中，pl为隐藏层到输出层的输出；bl为输入层到隐藏层的偏置；wlj为隐藏层和输出层之间的连接权重；z为输出层的激活函数，配置为步骤a2中多项式拟合模型所确定的函数表达式。
37、进一步地，步骤a4中，所述计算误差，公式为：
38、
39、式中，e为输出层单元误差函数；tl为期望输出；zl为输出层输出。
40、进一步地，步骤a6中，所述的反向传播，包括以下步骤：
41、d1、利用误差函数对输出层单元的连接权重和偏置求偏导；
42、d2、利用误差函数对隐藏层单元的连接权重和偏置求偏导；
43、d3、利用连接权重和偏置的调整量与误差函数的成比例关系，确定调整的范围，调整量的公式为：
44、wk+1＝wk-ηk·gk，
45、式中，wk+1为调整量；wk为当前的连接权重和偏置；ηk为学习率，ɡk为当前函数的梯度。
46、进一步地，步骤a7中，所述的绝对偏差，计算公式为：
47、
48、式中，abe为绝对偏差，abe越小表示重建图像的吸收系数越接近真实值；xtrue(i)有限元节点i上的真实吸收系数；xrecon(i)有限元节点i处重建得到的吸收系数；n为有限元节点总数。
49、本专利技术的有益效果：
50、通过多项式拟合模型确定待测乳腺组织的边界光流量和光学参数数据之间的函数表达式，并利用该公式作为激活函数，构建二者之间的bp人工神经网络模型，加快了模型训练的收敛速度，提高了模型模拟的精度，本专利技术有效减少dot技术逆向问题求解的病态性，并解决dot技术对乳腺组织的重建过程中存在的时间长和精度差的问题。
本文档来自技高网...【技术保护点】
1.一种光散射乳腺诊断系统，其特征在于：包括光数据采集系统、数据建模系统和图像输出系统，其中：
2.根据权利要求1所述的一种光散射乳腺诊断系统，其特征在于：所述的光数据采集系统中，所述光学参数为吸收系数，其公式为：
3.根据权利要求1所述的一种光散射乳腺诊断系统，其特征在于：步骤A1中，所述输入层为乳腺组织边界光流量，输出层为光学参数，隐藏层层数为1层，输入层与隐藏层之间，以及隐藏层与输出层之间均设有连接权重和偏置，隐藏层和输出层均设有激活函数，神经元输出的计算公式如下：
4.根据权利要求1所述的一种光散射乳腺诊断系统，其特征在于：步骤A2中，所述多项式拟合模型，包括以下步骤：
5.根据权利要求4所述的一种光散射乳腺诊断系统，其特征在于：步骤B1中，所述模型结构是以乳腺组织边界光流量为自变量，光学参数为因变量，其表达式为：
6.根据权利要求4所述的一种光散射乳腺诊断系统，其特征在于：步骤B2中，所述调整模型参数，利用AIC准则比较不同阶数n的模型拟合度，以确定模型的最佳阶数，并确定使模型残差平方和最小的拟合参数。
...【技术特征摘要】
1.一种光散射乳腺诊断系统，其特征在于：包括光数据采集系统、数据建模系统和图像输出系统，其中：
2.根据权利要求1所述的一种光散射乳腺诊断系统，其特征在于：所述的光数据采集系统中，所述光学参数为吸收系数，其公式为：
3.根据权利要求1所述的一种光散射乳腺诊断系统，其特征在于：步骤a1中，所述输入层为乳腺组织边界光流量，输出层为光学参数，隐藏层层数为1层，输入层与隐藏层之间，以及隐藏层与输出层之间均设有连接权重和偏置，隐藏层和输出层均设有激活函数，神经元输出的计算公式如下：
4.根据权利要求1所述的一种光散射乳腺诊断系统，其特征在于：步骤a2中，所述多项式拟合模型，包括以下步骤：
5.根据权利要求4所述的一种光散射乳腺诊断系统，其特征在于：步骤b1中，所述模型结构...
【专利技术属性】
技术研发人员：周捷明，谈家亮，林云峰，王浩，
申请(专利权)人：合肥春晖明志医疗科技有限公司，
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。