光声图像重建算法的构建方法及光声图像重建方法与流程

本发明涉及光声图像重建，具体为一种光声图像重建算法的构建方法及光声图像重建方法。

背景技术：

1、光声成像(pai)中使用的传统重建算法(例如延迟求和)提供了快速解决方案，但仍然存在许多伪影，特别是对于具有不稳定问题的有限视图，ki-gan和y-net等提出了一种新的卷积神经网络(cnn)框架：一种通过优化原始数据和波束形成图像一次来重建初始pa压力分布的cnn架构，该网络将两个编码器与一个解码器路径相结合，从而最佳地利用来自原始数据和波束形成图像的更多信息。

2、目前存在的缺陷：仅针对光声图像做重建，精度有待提高，没有构建应用于提取图像高维共性特征的权重参数共享网络，图像重建精度有限，针对烧伤创面烧伤深度诊断目前只能依赖于临床医师视诊断、触诊等经验诊断方法这一问题，以光声信号为输入，基于人工智能技术设计图像重建算法，从而完成烧伤创面光声图像重建，以获取皮下组织微血管结构成像结果。

技术实现思路

1、本发明的目的在于提供一种光声图像重建算法的构建方法及光声图像重建方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、第一方面，本发明实施例中提供了一种光声图像重建算法的构建方法，包括：

4、s1：构建数据库：对开源数据库fundus oculi中的原始图像采用matlab工具箱k-wave生成模拟出对应的光声信号及对应的真实光声图像，构建有监督深度学习数据库，所述有监督深度学习数据库中包含训练集样本及测试集样本，所述训练集样本及测试集样本分别包括多个样本，针对任意一个样本，均包含原始图像、对应的光声信号及对应的真实光声图像；

5、s2：构建光声图像重建算法的模型网络结构：所述光声图像重建算法的模型网络结构为有监督学习模型，包括图像分割编码器、光声信号编码器、光声图像编码器、权重共享神经网络、图像分割解码器及图像重建解码器，所述图像分割编码器的输出、光声信号编码器的输出及光声图像编码器的输出作为权重共享神经网络的输入，权重共享神经网络的输出分别作为图像分割解码器及图像重建解码器的输入；

6、所述图像分割编码器、光声信号编码器、光声图像编码器、图像分割解码器及图像重建解码器均基于卷积神经网络设计，所述图像分割编码器、光声信号编码器及光声图像编码器使用最大池化层不断对输入数据做下采样计算，所述图像分割解码器及图像重建解码器使用反卷积层做图像上采样，得到的图像分割结果和图像重建结果维度为(h，w,1)，其中h和w分别表示原始图像尺寸，1表示输出结果是单通道图像；

7、s3：对光声图像重建算法的模型网络结构进行训练：采用所述有监督深度学习数据库中的训练集样本对光声图像重建算法的模型网络结构进行训练，将样本的原始图像、对应的光声信号及对应的训练光声图像分别作为图像分割编码器、光声信号编码器、光声图像编码器的输入数据，图像分割解码器、图像重建解码器分别输出光声图像分割结果、光声图像重建结果；所述对应的训练光声图像为根据光声信号基于时间反溯法重建的光声图像；

8、其中，图像分割编码器输出针对原始图像的高维特征表示结果光声信号编码器和光声图像编码器分别输出经过特征提取后的高维特征表示结果，并在图像通道维度级联生成与同时输入权重共享神经网络，两个子模型同时训练，数据分别传输，权重共享神经网络输出的结果分别作为图像分割解码器和图像重建解码器的输入，权重共享神经网络针对图像分割和重建两个任务，使用同样的网络权重参数；

9、训练完成后得到光声图像重建算法。

10、在一些实施例中，步骤s1中，所述原始图像为经过图像增强技术处理的初始图像，所述图像增强技术包括图像增强技术为旋转和/或裁剪和/或多尺度变换。

11、在一些实施例中，步骤s1中，所述光声信号的维度为120×2560，表示120通道、时间戳为2560的一维信号的集合，对应的光声图像为二维图像，大小为128×128像素。

12、在一些实施例中，步骤s2中，所述图像分割编码器、光声信号编码器及光声图像编码器均采用线性修正单元。

13、在一些实施例中，所述光声图像重建算法的模型网络结构中，目标函数基于绝对均方差构造，所述目标函数的公式为：

14、l＝λ1||irecons-ir_gt||mse+λ2||iseg-is_gt||mse

15、其中l表示目标函数，irecons表示图像重建解码器输出结果，iseg表示图像分割解码器输出结果，ir gt和is gt是标间数据，分别表示有监督深度学习数据库中对应的真实光声图像和光声图像分割结果，λ1和λ2分别表示超参数，λ1＝0.65，λx＝0.35。

16、在一些实施例中，步骤s3中，所述光声图像重建算法的模型网络结构使用反馈传播算法训练深度神经网络，通过随机梯度下降法优化网络参数，在针对图像分割和重建任务的训练过程中，自动寻优获取图像高维不变性特征。

17、在一些实施例中，还包括：

18、s4：对光声图像重建算法进行测试：采用所述有监督深度学习数据库中的训练集样本对光声图像重建算法进行测试，测试过程中，固定网络参数，所述光声图像重建算法能够单独使用原始图像或者光声信号数据作为输入数据，分别完成图像分割和重建任务。

19、在一些实施例中，使用相关系数(ssim)、峰值信噪比(psnr)以及信噪比(snr)三个指标作为模型精度的评价标准，ssim用于评价图像之间的相似度，取值介于0和1之间，值越大，表明生成图像越接近真实值，psnr和snr均用于评价以分贝(db)为单位生成图像质量，值越大，表明图像重建效果越好。

20、第二方面，本发明实施例提供了一种光声图像重建方法，包括：

21、将欲进行图像重建的原始图像和/或光声信号数据输入至如上述的光声图像重建算法的构建方法所得到光声图像重建算法中，得到对应的图像分割结果及图像重建结果。与现有技术相比，具备以下有益效果：

22、该光声图像重建方法所使用的光声图像重建算法中，通过设计权重共享神经网络，即权重参数共享的深度神经网络，并提取图像高维不变性特征，通过图像分割模型和图像重建模型，在网络训练过程中同步进行，从而通过图像分割任务提高图像重建任务精度，使得该光声图像重建方法在完成光声图像分割任务的同时，增加光声图像重建精度。最终对比实验结果显示，本方案光声图像重建精度优于同类算法。

技术特征：

1.光声图像重建算法的构建方法，其特征在于：包括：

2.根据权利要求1的光声图像重建算法的构建方法，其特征在于：步骤s1中，所述原始图像为经过图像增强技术处理的初始图像，所述图像增强技术包括旋转和/或裁剪和/或多尺度变换。

3.根据权利要求1的光声图像重建算法的构建方法，其特征在于：步骤s1中，所述光声信号的维度为120×2560，表示120通道、时间戳为2560的一维信号的集合，对应的光声图像为二维图像，大小为128×128像素。

4.根据权利要求1的光声图像重建算法的构建方法，其特征在于：步骤s2中，所述图像分割编码器、光声信号编码器及光声图像编码器均采用线性修正单元。

5.根据权利要求1的光声图像重建算法的构建方法，其特征在于：所述光声图像重建算法的模型网络结构中，目标函数基于绝对均方差构造，所述目标函数的公式为：

6.根据权利要求1的光声图像重建算法的构建方法，其特征在于：步骤s3中，所述光声图像重建算法的模型网络结构使用反馈传播算法训练深度神经网络，通过随机梯度下降法优化网络参数，在针对图像分割和重建任务的训练过程中，自动寻优获取图像高维不变性特征。

7.根据权利要求1的光声图像重建算法的构建方法，其特征在于：还包括：

8.根据权利要求1-7任一项所述的光声图像重建算法的构建方法，其特征在于：使用相关系数、峰值信噪比以及信噪比三个指标作为模型精度的评价标准，相关系数用于评价图像之间的相似度，取值介于0和1之间，值越大，表明生成图像越接近真实值，峰值信噪比和信噪比均用于评价以分贝为单位生成图像质量，值越大，表明图像重建效果越好。

9.光声图像重建方法，其特征在于：包括：

技术总结
本发明涉及光声图像重建技术领域。本发明的目的是要提供一种光声图像重建算法的构建方法及光声图像重建方法，旨在解决传统的光声图像重建方法图像重建精度不高的问题，本发明构建的光声图像重建算法，通过引入图像分割部分，并设计权重共享神经网络，即权重参数共享的深度神经网络，来提取图像高维不变性特征，通过图像分割模型和图像重建模型，在网络训练过程中同步进行，从而通过图像分割任务提高图像重建任务精度，使得该光声图像重建方法在完成光声图像分割任务的同时，增加光声图像重建精度。适用于光声图像重建。

技术研发人员：杨德龙,王婧薷,张琦,陈晓东,阮树斌,林泽鹏,李桂强,信琪
受保护的技术使用者：佛山市第一人民医院
技术研发日：
技术公布日：2024/9/23