本发明涉生物医学计算成像,特别是涉及基于图像压缩的三维微波脑成像方法与装置。
背景技术:
1、微波成像具备无创、无射线损伤、探测深度大的优点,其测量设备便捷,对测量环境要求较低,是一种理想的适于脑卒中早期筛查与床旁动态监测的影像学方法。脑组织与血液的电学参数(介电常数与电导率)不同,脑内出血或缺血性损伤会改变脑内电性参数的空间分布,进而影响空间电磁场分布与电磁波传播。利用微波探测成像技术,能从传感器测量的电磁信号中重建脑内电学参数分布,实现对脑组织异常病变的诊断。
2、常见的成像方法将反演域分解为像素,然后通过最小化仿真数据和测量数据的残差重建离散的介电常数。像素的数量通常远大于数据的数量,因此这是一个非线性的病态问题,需要依赖先验知识进行合理的重建。由于未知数的数量通常为数万甚至数百万,目标函数极小化的过程计算量巨大。此外,反演时利用先验信息的方式不够灵活性。人脑共性结构特征难以用数学形式描述,因此无法约束反演过程,给模型重建和解释带来了挑战。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此,基于器官和组织的电磁特性数据和ct/mri人脑三维模型构建三维人脑电磁模型大数据集,利用深度学习技术,自主提取人脑共性特征,并将其融入三维重建算法中,能降低反演多解性,提高微波成像的结构特征。本发明提出一种基于图像压缩的三维微波脑成像方法。能够综合利用人脑结构信息、介电常数信息,实现三维模型的高压缩率,提高三维微波脑成像的速度和精度。
3、本发明的第二方面在于提出一种基于图像压缩的三维微波脑成像装置。
4、为达上述目的,本发明一方面提出一种基于图像压缩的三维微波脑成像方法,包括:
5、利用基于二维断面图像的二维图像训练集构建图像编码深度神经网络;
6、优化所述图像编码深度神经网络的目标函数,以训练图像编码深度神经网络得到网络参数;
7、基于所述网络参数和所述二维断面图像构建三维人脑编码向量,并根据所述三维人脑编码向量和微波测脑数据构建反演目标函数;
8、基于优化后的所述反演目标函数将所述三维人脑编码向量解码为点阵表示的三维人脑介电常数模型,以根据所述三维人脑介电常数模型进行三维微波脑成像。
9、本发明实施的基于图像压缩的三维微波脑成像装置还可以具有以下附加技术特征:
10、进一步地,所述二维断面图像,包括基于脑ct或mri图像构建描述脑介电常数空间分布的二维断面图像。
11、进一步地,通过优化算法最小化训练所述目标函数,直至过程收敛,得到训练好的图像编码深度神经网络。
12、进一步地,所述三维人脑编码向量,包括所述二维断面图像的隐空间参数。
13、进一步地,所述人脑训练集包括输入数据和标签数据;所述图像编码深度神经网络的结构包含多种形式。
14、为达上述目的,本发明另一方面提出一种基于图像压缩的三维微波脑成像装置,包括:
15、网络构建模块,用于利用基于二维断面图像的二维图像训练集构建图像编码深度神经网络;
16、网络训练模块,用于优化所述图像编码深度神经网络的目标函数,以训练图像编码深度神经网络得到网络参数;
17、目标函数构建模块,用于基于所述网络参数和所述二维断面图像构建三维人脑编码向量,并根据所述三维人脑编码向量和微波测脑数据构建反演目标函数;
18、微波成像模块,用于基于优化后的所述反演目标函数将所述三维人脑编码向量解码为点阵表示的三维人脑介电常数模型,以根据所述三维人脑介电常数模型进行三维微波脑成像。
19、本发明实施例的基于图像压缩的三维微波脑成像方法和装置,利用深度神经网络的隐空间参数替代点阵表示的三维人脑,大幅减少了成像未知数,具有更高的计算效率。人脑共性结构特征可以通过训练神经网络纳入反演,减轻反问题求解的病态性。
20、本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
1.一种基于图像压缩的三维微波脑成像方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述二维断面图像,包括基于脑ct或mri图像构建描述脑介电常数空间分布的二维断面图像。
3.根据权利要求1所述的方法,其特征在于,通过优化算法最小化训练所述目标函数,直至过程收敛,得到训练好的图像编码深度神经网络。
4.根据权利要求1所述的方法,其特征在于,所述三维人脑编码向量,包括所述二维断面图像的隐空间参数。
5.根据权利要求1所述的方法,其特征在于,所述人脑训练集包括输入数据和标签数据;所述图像编码深度神经网络的结构包含多种形式。
6.一种基于图像压缩的三维微波脑成像装置,其特征在于,包括以下步骤:
7.根据权利要求6所述的装置,其特征在于,所述二维断面图像,包括基于脑ct或mri图像构建描述脑介电常数空间分布的二维断面图像。
8.根据权利要求6所述的装置,其特征在于,通过优化算法最小化训练所述目标函数,直至过程收敛,得到训练好的图像编码深度神经网络。
9.根据权利要求6所述的装置,其特征在于,所述三维人脑编码向量,包括所述二维断面图像的隐空间参数。
10.根据权利要求6所述的装置,其特征在于,所述人脑训练集包括输入数据和标签数据;所述图像编码深度神经网络的结构包含多种形式。