基于图像压缩的三维微波脑成像方法与装置

技术领域

本发明涉生物医学计算成像技术领域，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

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。

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。

发明内容

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。

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。

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。

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：

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；

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；

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；

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。

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：

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。

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。

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。

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。

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：

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；

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；

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；

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。

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。

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。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的基于图像压缩的三维微波脑成像方法流程图；

图2为根据本发明实施例的基于图像压缩的三维微波脑成像方法的架构图；

图3为根据本发明实施例的仿真算例中所使用的部分训练数据示意图；

图4(a)、图4(b)和图4(c)分别为根据本发明实施例的编码测试示意图；

图5(a)、图5(b)和图5(c)分别为根据本发明实施例的微波成像结果与传统基于像素的微波成像结果的对比示意图；

图6为根据本发明实施例的图像压缩神经网络示意图；

图7为根据本发明实施例的基于图像压缩的三维微波脑成像装置的结构图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

下面参照附图描述根据本发明实施例提出的基于图像压缩的三维微波脑成像方法和装置。

图1是本发明实施例的基于图像压缩的三维微波脑成像方法的流程图。

如图1所示，该方法包括但不限于以下步骤：

S1，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；

S2，优化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；

S3，基于网络参数和二维断面图像构建三维人脑编码向量，并根据三维人脑编码向量和微波测脑数据构建反演目标函数；

S4，基于优化后的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，以根据三维人脑介电常数模型进行三维微波脑成像。

具体地，本发明预训练深度神经网络实现人脑介电常数二维断面的编码与解码，以及三维测脑微波数据反演，如图2所示，其中预训练深度神经网络包括以下步骤：通过脑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，构成人脑二维电磁模型训练集；根据所述训练集设计用于图像压缩的深度神经网络(包括编码器与解码器)；构建训练图像压缩深度神经网络的目标函数；通过优化算法最小化训练所述目标函数，直至所述过程收敛，得到训练完毕的图像压缩深度神经网络；

进一步地，三维测脑微波数据反演包括以下步骤：获取微波测脑数据；用二维连续图像断面表示三维人脑，构建由二维连续断面的隐空间参数构成的三维人脑编码向量；构建以三维人脑编码向量为自变量的三维测脑微波数据反演目标函数；使用优化算法最小化所述目标函数；将反演得到的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。

进一步地，人脑训练集包括输入数据和标签数据。

进一步地，深度神经网络的结构包含各种形式。

进一步地，深度神经网络的训练目标函数包含各种形式。

进一步地，优化深度神经网络目标函数的算法包含各种形式。

进一步地，优化微波数据反演目标函数的算法包含各种形式。

进一步地，本发明的仿真算例中所使用的部分训练数据如图3所示，即通过MRI断面扫描构建的人脑二维介电常数(实部)图像；其中图像尺寸为0.3*0.3m2，颜色表示相对介电常数的幅度。

进一步地，图4(a)、图4(b)和图4(c)分别为编码测试示意图，即三维人脑电磁模型断面及其由神经网络生成的编码。可以理解的是，该三维人脑电磁模型由100*100*100的点阵描述，经过图像压缩编码后，每个横向断面生成一个128*1的隐空间编码，共有100个128*1的隐空间变量。

进一步地，图5(a)、图5(b)和图5(c)为根据本发明实施例的微波成像结果与传统基于像素的微波成像结果的对比。其中，图5(a)为真实模型，图5(b)为根据本发明实施例的微波成像结果，图5(c)为传统基于像素的微波成像结果。

进一步地，如图6所示，图像压缩神经网络的输入和输出的大小为100*100。当输入尺寸为100*100的人脑断面图像m时，编码器将其压缩为128*1的向量v。向量v通过解码器解码后输出图像

在三维微波脑成像中，微波数据通过下式数值仿真：

d＝F(M)(1)

其中M为用点阵离散的介电常数，本例中尺寸为100*100*100。d为根据麦克斯韦方程仿真计算出的散射场数据，F为正向建模函数。

表示三维人脑的编码向量V由所有人脑二维断面的隐空间变量构成，如图4(c)示意，即

V＝[v

同时，对V解码可恢复三维人脑模型的点阵描述形式M＝D(V)。因此，从隐空间变量计算电磁数据的过程可用S表示：

d＝F(D(V))＝S(V)(3)

微波脑成像可认为寻找使以下目标函数最小化的最优参数更新量△V：

其中||||表示L2范数，V

在高斯—牛顿法中，最小化式(5)通过迭代进行，在第k步迭代中，△V可通过下式矩阵方程求解：

H

式中：

式中J为雅克比矩阵，通过链式法则求得：首先计算微波数据对模型参数的导数，而后计算模型参数对隐空间变量的导数，再将二者进行向量点乘相加。更具体地，J

求得△V后，通过下式更新起始值V

V

得到V

M＝D(V

上述过程迭代，直到仿真数据与观测数据拟合，反演结束，输出最终解码的模型M。

根据本发明实施例的基于图像压缩的三维微波脑成像方法，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。

为了实现上述实施例，如图7所示，本实施例中还提供了基于图像压缩的三维微波脑成像装置10，该装置10包括，网络构建模块100、网络训练模块200、目标函数构建模块300和微波成像模块400。

网络构建模块100，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；

网络训练模块200，用于优化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；

目标函数构建模块300，用于基于网络参数和二维断面图像构建三维人脑编码向量，并根据三维人脑编码向量和微波测脑数据构建反演目标函数；

微波成像模块400，用于基于优化后的反演目标函数将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，以根据三维人脑介电常数模型进行三维微波脑成像。

进一步地，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。

进一步地，通过优化算法最小化训练目标函数，直至过程收敛，得到训练好的图像编码深度神经网络。

进一步地，三维人脑编码向量，包括二维断面图像的隐空间参数。

进一步地，人脑训练集包括输入数据和标签数据；图像编码深度神经网络的结构包含多种形式。

根据本发明实施例的基于图像压缩的三维微波脑成像装置，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。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例的一种流动水体中泥沙含量的测定方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。