(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 113902826 A
(43)申请公布日 2022.01.07正则化网络
(21)申请号 CN202111225241.2
(22)申请日 2021.10.21
(71)申请人 天津科技大学
    地址 300457 天津市滨海新区经济技术开发区第十三大街9号
(72)发明人 陈晓艳 王子辰 张新宇 付荣 王迪
(74)专利代理机构 12209 天津盛理知识产权代理有限公司
    代理人 陈娟
(51)Int.CI
      G06T11/00(20060101)
      G06N3/04(20060101)
      G06N3/08(20060101)
                                                                  权利要求说明书 说明书 幅图
(54)发明名称
      FCU-Net深度肺部电阻抗图像重建方法
(57)摘要
      本发明提出了一种FCU‑Net深度肺部电阻抗图像重建方法。FCU‑Net是由全连接的5层映射模块、12层的特征提取模块、12层的深度成像模块和1个输出层构成顺序连接的30层深度神经网络模型。该网络利用5层全连接神经网络将边界电压信号映射为描述场域特征分布的序列，解决了EIT逆问题的欠定性；利用具有编解码结构的深度堆栈式自编码器结构有效地解决了EIT逆问题的非线性和病态性。使用本发明提出的FCU‑Net网络重建的肺部图像边界清晰准确，算法具有良好的鲁棒性和泛化能力。
法律状态
法律状态公告日
法律状态信息
法律状态
2022-01-25
实质审查的生效
实质审查的生效
2022-01-07
公开
公开

权 利 要 求 说 明 书


1.一种FCU-Net深度肺部电阻抗图像重建方法,其特征在于:步骤如下:

第一歩:构建用于网络训练、验证与测试的数据库样本;

第二步:构建用于肺部重建FCU-Net深度网络模型,所述深度网络模型包括:

(1)输入层:FCU-Net的输入为边界测量得到的差分电压信号ΔV;

(2)Pre-mapping模块:Pre-mapping使用5层全连接方式的神经网络将场域边界电压信号映射为描述敏感区域内不同ROI区域空间信息和电特性参数的序列,且该空间特征序列的维度与场域内的像素分布数目一致;

(3)特征提取FE模块:FE模块包含4个自编码器,自编码器的输入层与输出层的神经元个数相同,隐含层的神经元个数小于输入层和输出层的个数,编码模块的结构采用编码—解码的前向信息传播方式;

(4)深度重建DR模块:DR模块为FCU-Net的解码器,包含4个自编码器,DR模块使用反向自编码器结构,网络的输入层等于输出层,隐藏层的神经元个数多于输入层和输出层,解码模块的结构
采用反向的编码—解码正向信息传递方式;

第三步:设计FCU-Net网络的损失函数;

第四步:训练、优化FCU-Net深度网络;

第五步:使用训练、优化完成的FCU-Net完成EIT图像重建。



2.根据权利要求1所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:第一步所述数据库样本为{(ΔV
k
,σ
k
)|k=1,2,3,...,N};其中
V
ref
为呼气末状态测量的电位,V
in
吸满气状态测量的电位,
监督学习的标签信息,为被测区域内肺部真实电导率分布序列。



3.根据权利要求1所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:所述FCU-Net网络的损失函数为:




其中,x
input
为网络的输入,f
θ
(x
input
)为网络的输出,N为样本个数,θ为网络的参数,表示为θ={W,W′,b,b′},α·Ω
spar
为稀疏正则化项,
为稀疏正则化因子,
为L2正则化因子。



4.根据权利要求1所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:第四步所述训练分为两个阶段,第一阶段为非监督条件下的网络预训练过程,第二阶段为监督学习条件下的网
络微调过程。



5.根据权利要求4所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:所述非监督条件下的网络预训练的输入为测量得到的边界差分电压信号ΔV
k
,该训练过程通过逐层神经元的前向传递来输出预测的电导率分布情况,同时在每一个自编码器中通过优化输出与输入之间的误差为零使得提取得到的特征包含更为抽象的低维信息。



6.根据权利要求5所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:每一层中的每一个神经元的输入与输出关系为





其中,input
i
和output
n
表示每一个神经元的输入量和输出量,w
in
表示网络中上一个神经元的输出与该神经元之间连接的权重,b
n
为该神经元的偏差值,f(·)为当前神经元的激活函数。



7.根据权利要求6所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:激活函数使用具有非线性特征的tansigmoid函数,其数学表达式为







8.根据权利要求4所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:所述监督学习条件下的网络微调过程将FCU-Net网络中的L1、L2、L5、L8、L11、L14、L17、L20、L23层连接,输入为边界差分电压信号,与之对应的电导率分布序列作为网络监督训练的标签值,在信息前向传递得到预测的电导率结果
后,根据定义的损失函数计算
与σ之间的误差函数,通过梯度的反向传播不断优化网络中的参数使得损失函数的梯度在全局的某一点处为零,得到最优的网络参数,使用尺度共轭梯度优化算法调整网络参数。



9.根据权利要求1所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:所述FCU-Net是由全连接的5层映射模块、12层的特征提取模块、12层的深度成像模块和1个输出层构成顺序连接的30层深度神经网络模型。



10.根据权利要求9所述的FCU-Net深度肺部电阻抗图像重建方法,其特征在于:网络层与层之间的连接包括全连接、堆栈式跳跃连接。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。