一种图像分割神经网络及远程生物成像方法及系统与流程

1.本发明涉及智能信息处理技术领域，更确切地说，涉及一种图像分割神经网络及远程生物成像方法及系统。


背景技术：

2.随着生物医学工程迅猛发展，如何将先进的科学技术方便、廉价地用于人体医学检查及各项机能测试，从而提高人类对疾病的早期预防和治疗，是迫切要解决的问题。。因此，人们对医学检测手段的要求越来越高，检测方式已从人工主观检测发展到现在的主客观相结合，特别是医学影像技术的出现，使疾病的诊断更加客观和准确。
3.由于智能算法中的神经网络具有其独特的性质，如非线性、非常定性、非局限性、和非凹凸性，因此这些特性使得神经网络能够自主学习、具有自动适应能为、能够实现智能化和多样性，并且有能力处理多种信息。深度神经网络是人工神经网络发展而来，其含有更多的隐藏层，具有更强大的学习能力和表达能力，可分布式处理高度复杂的非线性问题。
4.在现实情况中，地震等自然灾害会导致的道路阻塞、大型医疗设备无法进入的情况，因此需要测量设备小巧便。随着信息技术的发展，远程信息传输能够解决设备简单所带来的计算压力大的问题。因此将两者结合是解决此问题的有效途径。


技术实现要素：

5.本发明正是为了解决上述技术问题而设计的一种图像分割神经网络及远程生物成像方法及系统，为解决目前电阻抗成像准确度不高及测量设备不便携的问题，本发明提出了一种基于卷积神经网络的图像分割方法，以降低电阻抗成像不适定逆问题所带来计算误差，然后将数据通过远程传输实现生物的远程测量与成像。
6.一种图像分割神经网络及远程生物成像方法，基于获取生物体电压数据，采用截断奇异值分解方法与神经网络图像分割方法，执行以下步骤，实现生物体的测量与成像：
7.步骤1：获取生物体电压数据；
8.步骤2：根据生物体电压数据，采用截断奇异值分解方法，计算获得生物体内的电导率分布，并将生物体内的电导率分布转化为电导率分布初始图像；
9.步骤3：将电导率分布初始图像输入神经网络进行图像分割，依次通过两个预设的编码模式进将初始图像编码成隐层表示，然后，将隐层依次通过两个预设的解码模式得到分割后的图像，最终，通过一个连接层连接电导率分布初始图像与分割后的图像得到生物体的最终成像。
10.作为本发明的一种优选技术方案，步骤2具体包括以下子步骤：
11.步骤2.1：电导率分布向量的最小二乘解表示为：
12.σ＝argmin‖sσ
‑
u‖213.其中，σ为电导率分布向量，u为电压数据，s为灵敏度矩阵；
14.步骤2.2：灵敏度矩阵s表示为：
[0015][0016]
其中，s
ij
为第j个电极对对第i个电极对的灵敏度系数，为第i个电极对激励电流为i
i
的场域电势分布，为第j个电极对激励电流为i
j
时的场域电势分布；
[0017]
步骤2.3：矩阵s的奇异值分解：
[0018][0019]
其中，q为特征值的数量，u
i
为灵敏度矩阵奇异值的左特征向量，v
i
为灵敏度矩阵奇异值的右特征向量，λ
i
为特征值，∑是由特征值组成的对角矩阵；
[0020]
步骤2.4：综上所述，电导率分布最终解表示为：
[0021][0022]
其中，m为大于指定精度的特征值的数量。
[0023]
作为本发明的一种优选技术方案，所述步骤3神经网络过程如下：
[0024]
步骤3.1：第一个编码模式由三个卷积层和一个最大池化层组成，各卷积层的卷积核大小均为3
×
3，通道个数为64；
[0025]
步骤3.2：第二个编码模式由重复三次的两个卷积层和一个最大池化层组成，各卷积层的卷积核大小均为3
×
3，通道个数以128为初始数值逐次倍增；
[0026]
步骤3.3：第一个解码模式由重复三次的一个上采样层、一个concatenation层以及两个卷积层的组合，各卷积层的卷积核大小为3
×
3，通道个数以1024为初始数值逐次倍减；
[0027]
步骤3.4：第二个解码模式由一个上采样层、一个concatenation层、两个卷积核大小为3
×
3的卷积层和一个卷积核大小为1
×
1的卷积层组成，通道个数从64转变为1；
[0028]
步骤3.5：连接层将初始图像进行稀疏处理后与分割后的图像进行卷积核为1
×
1的卷积，通道个数为1，得到生物体的最终成像。
[0029]
作为本发明的一种优选技术方案，稀疏处理表示模型为
[0030]
σ＝dα
[0031]
其中d为dct稀疏字典，α为稀疏系数。
[0032]
作为本发明的一种优选技术方案，所述神经网络图像分割的损失函数为l2范数损失函数：
[0033][0034]
其中σ为计算得到的电导率分布向量，为标准的电导率分布向量。
[0035]
一种图像分割神经网络及远程生物成像方法的系统，用于采集生物体电压数据并传输入云端，并根据采集到的生物体电压数据执行上述方法，获得生物体的最终成像，其特征在于：包括电源模块、测量探头、滤波器、放大器、相敏解调器、a/d转换器、单片机、nb模块，测量探头与电源模块相接进行取电，测量探头的工作端与生物体相连用于向生物体输入安全电流、并采集生物体信号输出，测量探头信号输出端依次连接滤波器、放大器、相敏
解调器、a/d转换器、单片机、nb模块得到生物体电压数据，单片机通过nb模块将生物体电压数据传输入云端。
[0036]
作为本发明的一种优选技术方案，单片机通过spi总线通信读取a/d转换器的数据，并将数据以数组的形式通过nb模块发送到云端。
[0037]
本发明的有益效果是：
[0038]
1、本发明采用奇异值分解方法(tsvd)进行初始重建作为神经网络的输入，而不是直接使用测量的电压值作为输入，这样使得输入与输出图像具有很高的相似性，可以极大地减少深度神经网络的训练时间并提高结果的准确率。
[0039]
2、本发明在u
‑
net网络的基础上，对神经网络的输入和输出添加跳层连接，并进行1
×
1卷积。此方法可以使输出图像直接提取输入图像的主要特征，加快神经网络的训练速度。随着训练的进行，神经网络自动选择合适的参数调整输入图像特征所占的比重，可以提高成像的质量以及神经网络的适应性。
[0040]
3、本发明在输入与输出进行连接之前对输入图像进行稀疏处理，减少图像伪影、和图像噪声。
[0041]
4、本发明通过远程数据传输测量的数据和返回的结果，因此移动设备无需具备很高的计算水平，而且测量设备具有便携性，可以实现家庭自主测量及复杂场景下生物的初步检测与成像。
附图说明
[0042]
图1为本发明的总体框架图；
[0043]
图2为本发明的图像分割神经网络结构图；
[0044]
图3为本发明的远程传输流程图；
[0045]
图4为本发明的成像方法与现有算法的性能比较图。
具体实施方式
[0046]
现结合附图进一步阐述本发明的技术方案。
[0047]
本发明为解决目前电阻抗成像准确度不高及测量设备不便携的问题，本发明提出了一种基于卷积神经网络的图像分割方法，以降低电阻抗成像不适定逆问题所带来计算误差，然后将数据通过远程传输实现生物的远程测量与成像。
[0048]
一种图像分割神经网络及远程生物成像方法，基于获取生物体电压数据，采用截断奇异值分解方法与神经网络图像分割方法，执行以下步骤，实现生物体的测量与成像：
[0049]
步骤1：获取生物体电压数据；
[0050]
步骤2：根据生物体电压数据，采用截断奇异值分解方法，计算获得生物体内的电导率分布，并将生物体内的电导率分布转化为电导率分布初始图像；
[0051]
具体包括以下子步骤：
[0052]
步骤2.1：电导率分布向量的最小二乘解表示为：
[0053]
σ＝argmin‖sσ
‑
u‖2[0054]
其中，σ为电导率分布向量，u为电压数据，s为灵敏度矩阵；
[0055]
步骤2.2：灵敏度矩阵s表示为：
[0056][0057]
其中，s
ij
为第j个电极对对第i个电极对的灵敏度系数，为第i个电极对激励电流为i
i
的场域电势分布，为第j个电极对激励电流为i
j
时的场域电势分布；
[0058]
步骤2.3：矩阵s的奇异值分解：
[0059][0060]
其中，q为特征值的数量，u
i
为灵敏度矩阵奇异值的左特征向量，v
i
为灵敏度矩阵奇异值的右特征向量，λ
i
为特征值，∑是由特征值组成的对角矩阵；
[0061]
步骤2.4：综上所述，电导率分布最终解表示为：
[0062][0063]
其中，m为大于指定精度的特征值的数量。
[0064]
步骤3：将电导率分布初始图像输入神经网络进行图像分割，解决不适定问题所带来的误差的优化过程，如图2所示，本发明提供的基于卷积神经网络的图像分割方法，依次通过两个预设的编码模式进将初始图像编码成隐层表示，然后，将隐层依次通过两个预设的解码模式得到分割后的一个图像，最终，通过一个连接层连接电导率分布初始图像与分割后的图像得到生物体的最终成像。
[0065]
具体包括以下子步骤：
[0066]
步骤3.1：第一个编码模式由三个卷积层和一个最大池化层组成，各卷积层的卷积核大小均为3
×
3，通道个数为64；
[0067]
步骤3.2：第二个编码模式由重复三次的两个卷积层和一个最大池化层组成，各卷积层的卷积核大小均为3
×
3，通道个数以128为初始数值逐次倍增；
[0068]
步骤3.3：第一个解码模式由重复三次的一个上采样层、一个concatenation层以及两个卷积层的组合，各卷积层的卷积核大小为3
×
3，通道个数以1024为初始数值逐次倍减；
[0069]
步骤3.4：第二个解码模式由一个上采样层、一个concatenation层、两个卷积核大小为3
×
3的卷积层和一个卷积核大小为1
×
1的卷积层组成，通道个数从64转变为1；
[0070]
步骤3.5：连接层将初始图像进行稀疏处理后与分割后的图像进行卷积核为1
×
1的卷积，通道个数为1，得到生物体的最终成像。
[0071]
稀疏处理表示模型为
[0072]
σ＝dα
[0073]
其中d为dct稀疏字典，α为稀疏系数。
[0074]
所述神经网络图像分割的损失函数为l2范数损失函数，使用l2范数损失函数去进行性能度量：
[0075][0076]
其中σ为计算得到的电导率分布向量，为标准的电导率分布向量。
[0077]
如图1所示，一种图像分割神经网络及远程生物成像方法的系统，用于采集生物体电压数据并传输入云端，并根据采集到的生物体电压数据执行上述方法，获得生物体的最终成像，其特征在于：包括电源模块、测量探头、滤波器、放大器、相敏解调器、a/d转换器、单片机、nb模块，测量探头与电源模块相接进行取电，测量探头的工作端与生物体相连用于向生物体输入安全电流、并采集生物体信号输出，测量探头信号输出端依次连接滤波器、放大器、相敏解调器、a/d转换器、单片机、nb模块得到生物体电压数据，单片机通过nb模块将生物体电压数据传输入云端。
[0078]
电源模块将安全电流输入被测体，激励模式为相邻激励。测量输出电压，测量模式为相邻测量。输出电压经过滤波器、放大器、相敏解调器和a/d转换后传入单片机。
[0079]
单片机通过spi总线通信读取a/d转换器的数据，并将数据以数组的形式通过nb模块发送到云端。
[0080]
一种图像分割神经网络及远程生物成像方法的系统基于图3所示的远程传输流程图进行数据远程传输。服务器使用基于透传云的二次开发sdk读取到云端的生物体电压数据，完成生物体电压数据的远程获取从而进行以上方法步骤，整个过程可全程使用服务器提供的数据api接口即可完成数据获取。
[0081]
如图4所示，本实施例比较了本发明提供的图像分割神经网络方法(o
‑
net)与主流方法的性能，性能包括训练集准确率和测试集准确率。
[0082]
上述技术方案所设计一种图像分割神经网络及远程生物成像方法及系统，采用奇异值分解方法(tsvd)进行初始重建作为神经网络的输入，而不是直接使用测量的电压值作为输入，这样使得输入与输出图像具有很高的相似性，可以极大地减少深度神经网络的训练时间并提高结果的准确率。并且在u
‑
net网络的基础上，对神经网络的输入和输出添加跳层连接，并进行1
×
1卷积。此方法可以使输出图像直接提取输入图像的主要特征，加快神经网络的训练速度。随着训练的进行，神经网络自动选择合适的参数调整输入图像特征所占的比重，可以提高成像的质量以及神经网络的适应性。还在输入与输出进行连接之前对输入图像进行稀疏处理，减少图像伪影、和图像噪声。本发明通过远程数据传输测量的数据和返回的结果，因此移动设备无需具备很高的计算水平，而且测量设备具有便携性，可以实现家庭自主测量及复杂场景下生物的初步检测与成像。
[0083]
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。