一种基于全连接神经网络的空场对比参数预测方法-j9九游会真人

1.本发明属于生物电阻抗层析成像技术领域，具体涉及一种基于全连接神经网络的空场对比参数预测方法。


背景技术：

2.脑卒中俗称“中风”，由向大脑输送血液的血管引起的急性问题，其高死亡率、高致残率、高发病率、高复发率的特点不仅给患者的日常活动造成严重影响，并且其损伤性是不可自愈的。由于损伤后造成的脑损伤是不可逆的，导致脑卒中已成为我国第一致死和致残的原因，临床治疗迫切需要用于颅内出血的实时成像方法。
3.电阻抗层析成像(electrical impedance tomography，eit)的原理是根据人体内不同组织在不同的生理、病理状态下具有不同的电导率，采用各种方法给人体施加小的安全驱动电流，通过驱动电流在人体的测量响应信息，重建人体内部的电阻率分布或其变化的图像。在对颅脑进行图像重建时，针对差分eit重建，需要从基线或参考系获得空场对比参数的先验信息。然而，随着时间的变化，颅脑出血或缺血量的变化会引起颅内导电性的变化，所以在某一时刻获取的空场对比参数在后期使用时是不够准确的。为了校准空场对比参数，必须实时监测电导率，这为eit技术在生物医学领域的广泛应用带来了不便。因此，从具有均匀背景电导率的区域获得空场对比参数，对差分eit图像重建具有重要意义。因此，本发明提出了一种基于全连接神经网络的空场对比参数的预测方法，为颅脑eit监测提供有力支撑，目前尚没有该方面的相关报道。


技术实现要素：

4.本发明解决的技术问题是提供了一种基于全连接神经网络的空场对比参数预测方法，有效解决了差分图像重建需要获取空场对比参数的问题。该方法以全连接神经网络为基础，通过网络训练，建立边界电压测量值与空场对比参数值之间的端到端的映射关系，在不同信噪比和一定电导率范围内实现对空场对比参数的预测。利用预测的空场对比参数能够对复杂颅脑模型进行准确的差分图像重建，重建图像中目标物的大小和分布能够被清晰的辨别，重建图像质量具有很好的效果。
5.本发明为解决上述技术问题采用如下技术方案：一种基于全连接神经网络的空场比对参数预测方法，其特征在于具体步骤为：
6.(1)构建颅脑模型，采用螺旋计算机断层成像对患者颅脑进行扫描，通过对颅骨组织区域识别进行特征提取和信息叠加，并融入人体颅脑的电阻抗信息，在计算机上构建二维颅脑模型，针对构建的头部模型，依次连接最外层头皮表面上的四点额中点、左耳前点、枕外粗隆、右耳前点构成闭合曲线，将16个电极等距围绕贴合在该闭合曲线上，且闭合曲线所围成的平面区域为测量场域；
7.(2)获取网络所需的数据集，通过相对电流激励的方式，在某对相对放置的电极间注入1.25ma的激励电流，并采用相邻电压测量、激励电极不测量的方式可采集12个有效的
边界测量电压，按顺时针方向改变激励位置，可在一个循环激励过程获取192个有效的边界测量电压u
meas
，作为一个样本，重复以上的操作，可通过获取多个循环激励过程的样本组成网络所需的数据集；
8.(3)构建全连接神经网络，本设计的全连接神经网络为三层网络，各层间实行全连接，具体网络构建框架如下：作为第一层输入层的实际输入，其中是边界测量电压u
meas
的第i个电压值，n＝192为输入层含有的神经元个数；yj(j＝1,2,
···
,m)作为第二层隐藏层的第j个神经元的输出，m＝60为隐藏层含有的神经元个数；作为第三层输出层的实际输出，其中是预测空场对比参数v
predict
的第k个参数值，l＝192为输出层含有的神经元个数，全连接神经网络的各个参数如下：a
ij
为输入层的第i个神经元到隐藏层的第j个神经元的权重向量；b
jk
为隐藏层的第j个神经元到输出层的第k个神经元的权重向量；c为隐藏层的偏置向量；d为输出层的偏置向量；relu函数为隐藏层的激活函数；sigmoid函数为输出层的激活函数；迭代训练次数为epoch；停止训练的误差阈值为ε；网络的标签为空场对比参数v，其值可以直接在步骤一构建的头部模型中通过有限元法计算获得；
9.(4)数据归一化处理，对步骤二获取的数据集和空场对比参数v进行归一化处理，将输入层的实际输入数据值限定在0～1之间；
10.(5)网络初始化，初始化以下参数：输入层的第i个神经元到隐藏层的第j个神经元的权重向量a
ij
；隐藏层的第j个神经元到输出层的第k个神经元的权重向量b
jk
；隐藏层的偏置向量c；输出层的偏置向量d；设定学习率为0.0001；
11.(6)计算隐藏层的输出，计算方法如下：
[0012][0013]
式中，r(
·
)为隐藏层的激活函数，选择relu函数作为隐藏层的激活函数，其函数定义式为：
[0014][0015]
式中，t表示激活函数的输入，r(t)表示激活函数的输出；
[0016]
(7)计算输出层的实际输出，计算方法如下：
[0017][0018]
式中，p(
·
)为输出层的激活函数，选择sigmoid函数作为输出层的激活函数，其函数定义式为：
[0019][0020]
式中，z表示激活函数的输入，p(z)表示激活函数的输出，sigmoid函数将输出限定在0～1的范围内；
[0021]
(8)将预测空场对比参数v
predict
和空场对比参数v的均方误差作为训练全连接神经网络的损失函数，其表达式为：
[0022][0023]
式中，l(v
predict
,v)表示均方误差，vk表示空场对比参数v的第k个参数值，n＝192表示测量的边界电压数；
[0024]
(9)根据自适应矩估计算法对全连接神经网络的参数进行更新，设定学习率为0.0001，迭代训练次数epoch为1000，通过自适应估计算法进行反向传播，更新输入层的第i个神经元到隐藏层的第j个神经元的权重向量a
ij
、隐藏层的第j个神经元到输出层的第k个神经元的权重向量b
jk
、隐藏层的偏置向量c、输出层的偏置向量d；
[0025]
(10)判断训练过程是否结束，判断情形如下：若||l(v
predict
,v)||＞ε，则返回步骤四，继续训练求解；若||l(v
predict
,v)||≤ε，则结束训练过程；若训练次数达到epoch最大训练次数时，则结束训练过程；
[0026]
(11)确定更新的网络参数，保存训练结束后的网络参数，即确定输入层的第i个神经元到隐藏层的第j个神经元的权重向量a
ij
、隐藏层的第j个神经元到输出层的第k个神经元的权重向量b
jk
、隐藏层的偏置向量c、输出层的偏置向量d；
[0027]
根据以上步骤获取训练好的全连接神经网络，通过更新后的网络获取测试数据集的预测空场对比参数v
predict
；
[0028]
(12)通过所提出的方法进行空场对比参数的预测后，利用预测空场对比参数v
predict
及边界测量电压u
meas
，通过成像算法，重建电导率分布，实现差分成像。
[0029]
本发明与现有技术相比具有以下优点和有益效果：本发明首次提出了基于全连接神经网的空场比对参数的预测方法，全连接神经网络用于实现空场对比参数的预测，可以直接构建边界测量电压与空场对比参数端到端的映射关系，能够利用数据集和均方误差负向反馈训练网络，通过测量数据集作为网络的输入自动输出预测的空场对比参数，实现在不同信噪比和一定电导率范围内空场对比参数的预测。本发明所提供的方法预测能力强，抗噪声能力好，差分重建图像质量具有很好的效果，为颅脑eit监测提供了有力支撑。
附图说明
[0030]
图1为三层颅脑模型；
[0031]
图2为本发明的全连接神经网络结构图；
[0032]
图3为在无噪声条件下预测空场对比参数v
predict
和空场对比参数v对比结果图；
[0033]
图4为无噪声条件下的重建图像；
[0034]
图5为在70db噪声条件下预测空场对比参数v
predict
和空场对比参数v对比结果图；
[0035]
图6为不同信噪比下的重建图像。
具体实施方式
[0036]
下面结合附图对本发明进一步说明。为了预测空场对比参数，本发明提出了一种基于全连接神经网络的空场对比参数的预测方法，通过训练好的全连接神经网络可以直接构建边界测量电压值与空场对比参数值的端到端的映射关系，能够从测量数据集中自动输出空场对比参数。利用本发明提出的方法预测的空场对比参数构建的图像重建质量良好，网络预测能力强。结合附图对本发明进行详细说明：
[0037]
(1)构建颅脑模型。采用螺旋计算机断层成像对患者颅脑进行扫描，通过对颅骨组织区域识别进行特征提取和信息叠加，并融入人体颅脑的电阻抗信息，在计算机上构建二维颅脑模型。针对图1所示的三层颅脑模型，依次连接最外层头皮表面上的四点额中点、左耳前点、枕外粗隆、右耳前点构成闭合曲线。将16个电极等距围绕贴合在该闭合曲线上，且闭合曲线所围成的平面区域为测量场域。
[0038]
(2)获取网络所需的数据集。通过相对电流激励的方式，在某对相对放置的电极间注入1.25ma的激励电流，并采用相邻电压测量、激励电极不测量的方式可采集12个有效的边界测量电压。按顺时针方向改变激励位置，可在一个循环激励过程获取192个有效的边界测量电压u
meas
，作为一个样本。重复以上的操作，可通过获取多个循环激励过程的样本组成网络所需的数据集。
[0039]
(3)构建全连接神经网络。如图2所示用于本设计的全连接神经网络为三层网络，各层间实行全连接。具体网络构建框架如下：作为第一层输入层的实际输入，其中是边界测量电压u
meas
的第i个电压值，n＝192为输入层含有的神经元个数；yj(j＝1,2,
···
,m)作为第二层隐藏层的第j个神经元的输出，m＝60为隐藏层含有的神经元个数；作为第三层输出层的实际输出，其中是预测空场对比参数v
predict
的第k个参数值，l＝192为输出层含有的神经元个数。全连接神经网络的各个参数如下：a
ij
为输入层的第i个神经元到隐藏层的第j个神经元的权重向量；b
jk
为隐藏层的第j个神经元到输出层的第k个神经元的权重向量；c为隐藏层的偏置向量；d为输出层的偏置向量；relu函数为隐藏层的激活函数；sigmoid函数为输出层的激活函数；迭代训练次数为epoch；停止训练的误差阈值为ε；网络的标签为空场对比参数v，其值可以直接在步骤一构建的头部模型中通过有限元法计算获得。
[0040]
(4)数据归一化处理。对步骤二获取的数据集和空场对比参数v进行归一化处理，将输入层的实际输入数据值限定在0～1之间。
[0041]
(5)网络初始化。初始化以下参数：输入层的第i个神经元到隐藏层的第j个神经元的权重向量a
ij
；隐藏层的第j个神经元到输出层的第k个神经元的权重向量b
jk
；隐藏层的偏置向量c；输出层的偏置向量d；设定学习率为0.0001。
[0042]
(6)计算隐藏层的输出。计算方法如下：
[0043][0044]
式中，r(
·
)为隐藏层的激活函数。选择relu函数作为隐藏层的激活函数，其函数定义式为：
[0045][0046]
式中，t表示激活函数的输入，r(t)表示激活函数的输出；
[0047]
(7)计算输出层的实际输出。计算方法如下：
[0048]
[0049]
式中，p(
·
)为输出层的激活函数。选择sigmoid函数作为输出层的激活函数，其函数定义式为：
[0050][0051]
式中，z表示激活函数的输入，p(z)表示激活函数的输出，sigmoid函数将输出限定在0～1的范围内。
[0052]
(8)将预测空场对比参数v
predict
和空场对比参数v的均方误差作为训练全连接神经网络的损失函数，其表达式为：
[0053][0054]
式中，l(v
predict
,v)表示均方误差，vk表示空场对比参数v的第k个参数值，n＝192表示测量的边界电压数。
[0055]
(9)根据自适应矩估计算法对全连接神经网络的参数进行更新。设定学习率为0.0001，迭代训练次数epoch为1000。通过自适应估计算法进行反向传播，更新输入层的第i个神经元到隐藏层的第j个神经元的权重向量a
ij
、隐藏层的第j个神经元到输出层的第k个神经元的权重向量b
jk
、隐藏层的偏置向量c、输出层的偏置向量d。
[0056]
(10)判断训练过程是否结束。判断情形如下：若||l(v
predict
,v)||＞ε，则返回步骤四，继续训练求解；若||l(v
predict
,v)||≤ε，则结束训练过程；若训练次数达到epoch最大训练次数时，则结束训练过程。
[0057]
(11)确定更新的网络参数。保存训练结束后的网络参数，即确定输入层的第i个神经元到隐藏层的第j个神经元的权重向量a
ij
、隐藏层的第j个神经元到输出层的第k个神经元的权重向量b
jk
、隐藏层的偏置向量c、输出层的偏置向量d。
[0058]
根据以上步骤获取训练好的全连接神经网络。通过更新后的网络获取测试数据集的预测空场对比参数v
predict
。
[0059]
(12)通过所提出的方法进行空场对比参数的预测后，利用预测空场对比参数v
predict
及边界测量电压u
meas
，通过成像算法，重建电导率分布，实现差分成像。
[0060]
图3为在无噪声条件下预测空场对比参数v
predict
和空场对比参数v对比结果图，可以看出通过训练好的全连接神经网络实际输出的预测空场对比参数值和空场对比参数值拟合良好。图4为无噪声条件下部分测试集样本的重建图像，图4中(a)为脑出血重建图像，图4中(b)为脑缺血和健康的重建图像。图4中(a)和图4中(b)的第一行为仿真模型，第二行为重建图像，模型j为健康模型。从图4可以观察到，通过预测空场对比参数重建的图像可以准确描述测量场中目标物的大小和分布，且目标物的边界较清晰。
[0061]
同时，在颅脑eit的实际应用中，噪声的存在会使得测量数据存在误差，进而影响图像重建质量。本发明为了测试网络的抗噪声性能，在三层颅脑模型的基础上进行形变并施加不同信噪比，获取噪声测试数据集。对噪声测试数据集通过网络对空场对比参数进行预测，从图5所示的70db噪声条件下预测空场对比参数v
predict
和空场对比参数v对比结果图和图6所示的不同信噪比下的重建图像可以观察到，随着信噪比的逐渐下降，尽管图像背景中出现了噪声干扰，但仍能清晰地分辨出目标物的大小和分布，进一步验证了所提方法具有较好的抗噪能力，且不受目标物大小和位置分布的影响。
[0062]
为了定量分析上述所重建的颅脑出血图像，采用相关系数(correlation coefficient，cc)和均方根误差(rootmean square error，rmse)对图像进行比较。图像的cc越接近于1越好，rmse越接近于0越好。在表1中给出了部分样本的计算结果，由计算结果可知当信噪比减小时，重建图像的平均br值增大接近1，平均cc值逐渐减小接近0。重建图像和定量分析结果表明，所提方法具有良好的抗噪性能，即使在噪声条件下也能较好地预测空场对比参数。
[0063]
表1测试集平均br值和平均cc值的比较
[0064][0065]
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。