光学传输参数空间分布的重建方法、装置、系统及介质与流程

1.本技术属于医学人工智能领域，尤其涉及一种用于近红外脑功能成像技术的光学传输参数空间分布的重建方法、装置、系统及介质。


背景技术：

2.近红外脑功能成像技术利用近红外光和光源-光源探测器组成的多通道传感，基于神经-血氧耦合机制，可以以高时间分辨探测和成像脑活动激活的变化，有效地对脑功能进行可视化和定量评估，例如，可用于对抑郁症、认知障碍等疾病进行诊断或评估。
3.现有的近红外脑功能成像技术中，在设置光源和光源探测器的排布方式，配置由成对的光源-光源探测器构成的探测通道时，通常情况下会将光源与光源探测器之间的距离设为固定的预设距离，例如3厘米左右，这样的设置使得近红外脑功能成像装置只能探测到固定位置所对应的组织深度的脑活动变化，而无法探测到更深的组织深度，难以获得更多的生理状态信息，无法实现三维成像，并且，该固定位置也使得近红外脑功能成像装置的空间分辨率不够高，无法实现高密度成像。并且，由于各个探测通道彼此不交叠，且具有相同的光源-探头距离，因此难以通过数据处理来提高空间分辨率。
4.目前有一些研究利用基于扩散模型的重建算法来对组织内部的光学传输参数的空间分布进行重建。但是由于组织内部包含各种类型的组织、结构等，光子在组织内部传输的过程中被多次散射，并且很大一部分被生色团（如血液、水、黑色素、胆红素等）吸收，因此，现有技术中重建方法很难以可接受的计算代价和计算时间并且较准确地重构出的光学传输参数的变化程度和变化范围，并且存在深度范围受限、重建后的图像质量准确度和精度较低、可能出现伪影等缺陷，这些导致重建图像的利用价值大大下降。


技术实现要素：

5.提供本技术以解决现有技术中存在的上述缺陷。需要一种光学传输参数空间分布的重建方法、装置、系统及介质，能够利用光源探测器在待测区域表面以多种间距探测光源发射的光经待测区域后的出射光，经由深度学习模型来预测出待测区域内部的光学传输参数，以对待测区域的光学传输参数空间分布进行重建，使得具有更高的空间分辨率，从而实现高密度成像。本技术的重建方法还将不包含吸收体情况下的待测区域的初始光学传输参数与初始出射光参数之间的映射关系作为先验知识，并利用该映射关系在待测区域包含吸收体的情况下构建具有真值标注的训练样本，并结合该先验知识确定深度学习模型训练时的损失函数，从而使得训练好的深度学习模型能够对待测区域的光学传输参数空间分布在更大深度上进行高准确度、高空间分辨率的重建，由此重建的待测区域的图像也具有更高的图像质量。
6.根据本技术的第一方案，提供一种光学传输参数空间分布的重建方法，所述重建方法包括确定待测区域，所述待测区域的表面形成有由光源和光源探测器构成的拓扑结构，其中，所述光源用于向所述待测区域发射光，所述光源探测器用于探测出射光，所述拓
扑结构被构造为：每个所述光源与多个所述光源探测器之间形成有探测通道，且每个所述光源与多个所述光源探测器之间存在不同间距。所述重建方法还包括在所述待测区域不包含吸收体的情况下，获取所述待测区域的初始光学传输参数与初始出射光参数之间的映射关系；在所述待测区域内存在吸收体的情况下，基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本，其中，所述吸收体对所述光源发射的光具有吸收作用；利用所述训练样本对所构建的深度学习模型进行训练，具体包括基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数，利用所述第一损失函数来对所述深度学习模型进行训练。所述重建方法进一步包括利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建。
7.根据本技术的第二方案，提供一种光学传输参数空间分布的重建装置，所述重建装置至少包括处理器和存储器，所述存储器上存储有计算机可执行指令，所述处理器在执行所述计算机可执行指令时执行根据本技术各个实施例的光学传输参数空间分布的重建方法。
8.根据本技术的第三方案，提供一种近红外脑功能成像系统，包括近红外光学数据采集装置和根据本技术各个实施例的光学传输参数空间分布的重建装置，其中，所述近红外光学数据采集装置包括头帽，所述头帽上设置有用于向受检者的目标头部区域发射近红外光的光源，以及用于探测出射近红外光的光源探测器。
9.根据本技术的第四方案，提供一种存储有程序的非暂时性计算机可读存储介质，所述程序使得处理器执行根据本技术各个实施例的光学传输参数空间分布的重建方法的各种操作。
10.本技术各个实施例提供的光学传输参数空间分布的重建方法、装置、系统及介质，通过将待测区域表面的光源和光源探测器的拓扑结构构造为每个光源与多个光源探测器之间形成有探测通道，且每个光源与多个光源探测器之间存在不同间距，一方面能够探测到待测区域更深部的光学传输参数，同时也使得所探测的光学传输参数在空间分布上具有更高的分辨率。根据本技术的重建方法还构建了深度学习模型来对光学传输参数空间分布进行三维重建，并通过求取不包含吸收体情况下的待测区域初始光学传输参数与初始出射光参数之间的映射关系，并利用该映射关系和包含吸收体情况下的待测区域的光学传输参数的变化量和出射光参数的变化量来构建具有真值标注的训练样本，并在利用上述训练样本对深度学习模型进行训练时，进一步将该映射关系作为先验知识来确定训练的损失函数，使得训练好的深度学习模型能够更准确地预测出待测区域内的光学传输参数的变化量，从而可以在更广的深度范围内对待测区域的光学传输参数空间分布进行高准确度、高空间分辨率的三维重建，由此重建的待测区域的三维图像也具有更高的图像质量。
附图说明
11.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
12.图1（a）示出根据本技术实施例的待测区域及其表面的光源和光源探测器布局的
示意图。
13.图1（b）示出根据本技术实施例的待测区域的表面由光源和光源探测器构成的拓扑结构的示意图。
14.图2示出根据本技术实施例的光学传输参数空间分布的重建方法的流程示意图。
15.图3示出根据本技术实施例的对交叠吸收体的吸收系数进行融合的mbm算法的示意图。
16.图4示出根据本技术实施例的深度学习模型的部分结构的示意图。
17.图5示出根据本技术实施例的特征提取骨干网络的部分组成示意图。
18.图6示出根据本技术实施例的吸收体光学传输参数空间分布的真实值和深度学习模型的重建结果的三维示意图。
19.图7（a）示出根据本技术实施例的光学传输参数重建结果在不同深度的剖面图。
20.图7（b）示出根据本技术实施例的光学传输参数重建结果在不同深度的剖面图。
21.图8示出根据本技术实施例的光学传输参数空间分布的重建装置的部分结构示意图。
22.图9示出根据本技术实施例的近红外脑功能成像系统的部分组成示意图。
具体实施方式
23.为了使得本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例的附图，对本技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于所描述的本技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
24.除非另外定义，本技术使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
25.为了保持本技术实施例的以下说明清楚且简明，本技术省略了已知功能和已知部件的详细说明。
26.图1（a）示出根据本技术实施例的待测区域及其表面的光源和光源探测器布局的示意图。图1（b）示出根据本技术实施例的待测区域的表面由光源和光源探测器构成的拓扑结构的示意图。其中，图1（a）中示出的立方体待测区域为示意性的，须知待测区域的形状不一定为立方体，也可以是任意形状的三维空间区域。以图1（a）所示出的为例，待测区域ω在空间三个尺度方向上的尺寸x、y、z分别为6cm、6cm、3cm，在三个尺度方向上分别可以具有分辨率δx、δy、δz，按照各个方向上的分辨率，可以将待测区域划分为一定数量的体素。仅作为示例，例如在δx、δy、δz均为0.5cm的情况下，ω中可以包括1183个离散的体素。在ω的表面按照一定的布局布设有光源和光源探测器，其中，光源用于向待测区域发射光，光源探测器用于探测出射光。如图例所示，白色原点表示光源，黑色原点表示光源探测器，在图1（a）所示的布局中，光源与光源探测器以交替的方式布设，光源数量为13个，光源探测器的数量为12个。在另一些实施例中，也可以采用其他的布局方式，光源和光源探测器的数量也
可以根据探测的需要按需设置。在图1（a）的布局下，图1（b）示例性地示出了各个光源与光源探测器所构成的拓扑结构，其中，以点划线表示存在连接，即，点划线所连接的成对的光源和光源探测器之间形成有探测通道。进一步地，在本技术的实施例中，由光源和光源探测器所构成的拓扑结构使得每个光源与多个光源探测器之间存在不同间距。例如，在图1（b）中，以光源s1为例，其与光源探测器d1之间的间距为l1，而与光源探测器d2之间的间距为l2，与光源探测器d3之间的间距为l3，很显然，l1、l2和l3彼此不同。在一些实施例中，光源与部分的光源探测器之间也可以具有相同的间距，例如图1（b）中s1与d4之间的距离也为l1，本技术对此不做限制，只要在光源与多个光源探测器之间存在至少两种不同的间距即可。仅作为示例，从图1（a）和图1（b）可知，l1约为1.5cm，l2约为3.35cm，l3约为6.18cm，以近红外光学数据采集装置中常用的排布图中光源与光源探测器之间的距离为3cm为例，本技术实施例中的光源与光源探测器之间的距离既有比3cm更短的1.5cm，也有与3cm相当的3.35cm，还有比3cm更长的6.18cm，这样，不仅可以对待测区域的不同深度进行探测，同时，由于光源与光源探测器以较高的密度在待测区域表面排布，因此还可以利用光源-光源探测器距离的多样性，通过对光在待测区域内部不同深度的探测数据的综合处理，使得探测精度和空间分辨率都得到进一步提高。在利用图1（a）所示的光源和光源探测器的布局以及图1（b）所示的拓扑结构进行待测区域的探测时，可以分时或同时地利用各个光源向待测区域发射光，并利用对应探测通道的光源探测器探测出射光，本技术对此不做具体限制。
27.图2示出根据本技术实施例的光学传输参数空间分布的重建方法的流程示意图。
28.在步骤201中，可以首先确定待测区域ω，待测区域ω的表面形成有由光源和光源探测器构成的拓扑结构hdsd，其中，所述光源用于向待测区域ω发射光，所述光源探测器用于探测出射光，所述拓扑结构hdsd被构造为：每个所述光源与多个所述光源探测器之间形成有探测通道，且每个所述光源与多个所述光源探测器之间存在不同间距。确定待测区域ω的具体过程已经在上文中结合图1（a）和图1（b）进行了详细的描述，在此不赘述。在下面描述的实施例中，如无特殊说明，均采用图1（a）和图1（b）所示的光源和光源探测器的布局以及拓扑结构来对本技术的光学传输参数空间分布的重建方法进行说明，但本技术不限于此。
29.然后，在步骤202中，可以在待测区域ω不包含吸收体的情况下，获取待测区域ω的初始光学传输参数与初始出射光参数之间的映射关系。在一些实施例中，光学传输参数至少可以包括吸收系数。在另一些实施例中，光学传输参数还可以包括散射系数等，本技术对此不做具体限定。在一些实施例中，出射光参数例如可以包括出射光的光子强度，即，也可以是与出射光的光子强度具有特定对应关系的其他参数。
30.在一些实施例中，在不包含吸收体的情况下，可以将待测区域ω中每个体素的初始吸收系数设置为相同，例如假设光源为近红外光源并向待测区域ω发射750nm的近红外光，待测区域ω中每个体素的初始吸收系数可以设置为0.173mm-1
或其他的值。在不包含吸收体并设定了待测区域的初始光学传输参数的情况下，待测区域ω可以表示为下述公式（1）：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
其中，和分别为待测区域ω在三个尺度方向上的尺寸和对应尺度上的分辨率， 和分别为待测区域ω的初始吸收系数和初始散射系数，为光源和光源探测器在待测区域ω的表面形成的拓扑结构，上述各个参数所构成的参数集合可以用于表征特定的待测区域。
31.在此基础上，可以进一步利用公式（2）获取在光源和光源探测器在待测区域ω的表面形成的拓扑结构为的情况下，待测区域ω的初始光学传输参数与初始出射光参数之间的映射关系，
ꢀꢀꢀꢀꢀꢀꢀ
（2）其中，表示待测区域ω的初始光学传输参数与初始出射光参数之间的映射关系，表示待测区域ω内每个体素的体积，表示光源所发出的光在待测区域ω内的光速，表示待测区域ω内的体素的数量，表示光源所发出的光的波长，表示光源的位置，表示光源探测器的位置，表示体素的位置，表示光源所发出的光在待测区域ω内的扩散系数，表示与两点间的格林函数，表示与两点间的格林函数，表示与两点间的格林函数。可以理解的是，能够用于表征在待测区域ω中未放入吸收体的情况下，待测区域ω的初始光学传输参数与初始出射光参数之间的映射关系，但与待测区域ω的初始光学传输参数与初始出射光参数均无关，其与光源和光源探测器在待测区域ω的表面形成的拓扑结构、光源所发出的光进入待测区域ω的光学参数以及光的波长等参数相关，也就是说，光源和光源探测器采用另一种拓扑结构时，映射关系也会随之发生变化。
32.在利用光源向待测区域ω发射光时，可以假定光源为各向同性光源，即，光子在各个方向上到达距离相同位置的时间也相同，光源不随时间改变，因此可消去时间对光源和光子密度分布的影响，以及位置的方向性对散射系数的影响。
33.本技术的实施例中光源采用连续波辐射的形式，可以使用辐射传输方程来表示光子在生物组织中的传播特性，该辐射传输方程可近似为扩散方程，如下面的公式（3）所示：
ꢀꢀꢀꢀꢀ
（3）待测区域ω的光子密度分布可从公式（3）推导得到，为了利用光源所发出的光经由待测区域ω后出射的出射光参数得到待测区域ω内的光学传输参数，可以将推导得出的公式抽象为如下公式（4）：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中，为待测区域ω表面的诸如光子强度等出射光参数，而则是待测区域ω的光学传输参数。
34.进一步地，当光学传输参数x的变化量远远小于时，本技术的实施例使用rytov近似来线性表示出射光参数变化量和光学传输参数扰动之间的关系（如下面的公式（5）），rytov近似能够使背景光学中的微小扰动以较为稳健的方式得以分离：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，为与待测区域ω内的初始光学传输参数为时所对应的待测区域ω表面的初始出射光参数，为与待测区域ω内的光学传输参数为时所对应的待测区域ω表面的出射光参数，为待测区域ω的光学传输参数的变化量。
35.接下来，在步骤203中，在待测区域ω内存在吸收体的情况下，基于所述待测区域ω的光学传输参数的变化量和出射光参数的变化量来构建训练样本，其中，所述吸收体对所述光源发射的光具有吸收作用，因此，在待测区域ω内放置吸收体后，待测区域ω内的光学传输参数会随之发生相应的变化。
36.在一些实施例中，通过在待测区域ω内放置吸收体，并将放置吸收体后待测区域ω的光学传输参数与步骤202中待测区域ω不包含吸收体时的初始光学传输参数进行比较，例如将两者的差值作为光学传输参数的变化量。对应地，确定光学传输参数的变化量后，可以基于公式（5）来计算光源探测器处的出射光参数的变化量，并将数据对作为一条训练样本，在待测区域ω中随机放置至少一个吸收体，产生多个数据对，直到生成训练样本集所需数量的训练样本。
37.然后，在步骤204中，利用所述训练样本对所构建的深度学习模型进行训练，具体包括：基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确定第一损失函数，利用所述第一损失函数来对所述深度学习模型进行训练。
38.深度学习模型用于基于出射光参数的变化量来预测对应的待测区域ω的光学传输参数的变化量，例如可以记为。因此，在将训练样本中的输入深度学习模型后，可以按下面的公式（6）得到光学传输参数的变化量的预测值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）然后，可以将在步骤202中求取的能够表征待测区域的初始光学传输参数与初始
出射光参数之间的映射关系作为先验知识，得到与对应的出射光参数的变化量的预测值，即：。
39.在一些实施例中，包括但不限于将和的均方误差（mean square error, mse）作为第一损失函数，如下面的公式（7）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）在其他一些实施例中，也可以将利用其他的函数计算的和之间的偏差作为第一损失函数，本技术对此不做限制。由于第一损失函数中的应用了表征待测区域ω内的光学传输参数与出射光参数之间的映射关系作为先验知识，而映射关系与光源和光源探测器在待测区域ω的表面形成的拓扑结构相关联，也就是说，映射关系中携带有各个光源和光源探测器在待测区域ω的表面的空间位置信息。因此，利用第一损失函数来对深度学习模型进行训练，能够从整体上提升对待测区域ω内的光学传输参数空间分布的重建质量，提升对吸收体位置估计的准确度。
40.接下来，在步骤205中，可以利用训练好的深度学习模型来对待测区域ω的光学传输参数空间分布进行重建。
41.具体地，可以将根据实际测量的待测区域ω的出射光参数所确定的出射光参数变化量作为训练好的深度学习模型的输入，并基于训练好的深度学习模型输出的待测区域ω的光学传输参数的变化量，来对待测区域ω的光学传输参数空间分布进行重建。
42.根据本技术的实施例利用上述步骤201-步骤205，在待测区域表面以高密度的拓扑结构布设光源和光源探测器，在此，“高密度的拓扑结构”特指使得每个光源与多个光源探测器之间形成有多个探测通道，且每个光源与多个光源探测器之间存在不同间距。当光源与光源探测器之间间距较小时，两者所构成的探测通道所探测到的待测区域的深度较浅，反之，当光源与光源探测器之间间距较大时，则可以对待测区域的更深部进行探测，因此，根据本技术的实施例可以对待测区域更广的深度范围进行探测，并且具有高空间分辨率。本技术的实施例还构建了用于对待测区域的光学传输参数空间分布进行重建的深度学习模型，通过求取待测区域不包含吸收体情况下的初始光学传输参数与初始出射光参数之间的映射关系，并将其作为先验知识，在待测区域包含随机生成的多样化的吸收体的情况下来构建具有对应真值的训练样本，同时，还利用包含光源与光源探测器的空间位置信息的映射关系来构建深度学习模型的损失函数，由此训练得到的深度学习模型具有良好的泛化能力，能够对待测区域的光学传输参数空间分布进行准确且高空间分辨率的三维重建，并且整体重建质量也较高。
43.在一些实施例中，步骤203所述的在所述待测区域内存在吸收体的情况下， 基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样本具体可以
包括：在待测区域ω内放置从预设属性集合中选择属性的吸收体，基于所述吸收体的属性，确定放置所述吸收体前后所述待测区域的光学传输参数的变化量，其中，所述吸收体的属性包括数量、尺寸、吸收系数以及其位于所述待测区域内的位置中的至少一种。
44.具体地，可以假设待测区域ω中吸收体o的数量从自然数集合{1,2,
…
,n1}中选取，其中，n1例如可以根据待测区域ω内的吸收体的尺寸范围s等属性来相关联地设置，申请对此不做限制。假设每个吸收体的编号为，在一些实施例中，还可以假设第个吸收体的尺寸、、为设定的吸收体的尺寸范围的随机组合。
45.在一些实施例中，还可以假设第个吸收体的中心点位置属于，表示在各个吸收体的尺寸给定的情况下所有中心点位置的集合。也就是说，在放置吸收体时，可以在适合的位置随机放置，但值得注意的是，应结合吸收体的尺寸，使得吸收体放置后不超出待测区域ω的边界。
46.在一些实施例中，可以假设第个吸收体的吸收系数为，属于待测区域ω中可能存在的各种吸收体的可取的吸收系数的集合。
47.在按上述方法定义了包括数量、尺寸、吸收系数以及其位于待测区域ω内的位置中的至少一种吸收体的属性的集合之后，可以从各个属性的集合中随机采样，并将所采样的属性赋予吸收体并放置在待测区域ω内。仅作为示例，例如可以设定每个样本中包含吸收体的个数不超过5个（也可以为其他数值），每个吸收体的长宽在0.2cm-3cm之间，高度在0.2cm-2cm之间，吸收系数的相对变化量在0-0.077mm-1
之间等。
48.在一些实施例中，还可以假设各个吸收体具有单一的吸收系数，即，单个的吸收体的吸收系数是均匀的，并且，在待测区域ω内存在多个吸收体，并且有吸收体存在交叠的情况下，可以按照如图3所示的根据本技术实施例的mbm算法来对各个交叠吸收体的吸收系数进行融合处理。
49.在如图3所示的mbm算法中，示出了基于从吸收体属性集合中的三种采样（采样1、采样2和采样3）而生成的三个待放置的吸收体，可以首先确定存在交叠的各个吸收体中具有较大吸收系数的吸收体，然后将该吸收体的吸收系数作为交叠部分的吸收系数，各个吸收体非重叠部分则保留各自的吸收系数即可。按照上述mbm算法设置吸收体的吸收系数，既保留了对光子传播具有主要影响的较大的吸收系数，又可以避免待测区域ω各个体素上的吸收系数过多地叠加而使得吸收系数超出合理的范围。
50.在待测区域ω内放置吸收体并设定了吸收体的属性，且对吸收体的吸收系数进行恰当的处理之后，可以确定放置所述吸收体前后待测区域ω的光学传输参数的变化量和在步骤203中求取的表征待测区域ω的初始光学传输参数与初始出射光参数之间的
映射关系a，利用来得到与对应的出射光参数的变化量，并将作为训练样本。
51.按照上述方法生成的吸收体可以充分地模拟待测区域ω中光学传输参数空间分布可能存在的各种复合和复杂情况，据此生成的训练样本具有较好的多样性和真实性，在用于深度学习模型的训练时，能够使得以可接受的样本规模获取较好的泛化能力。
52.下面结合图4对根据本技术实施例的深度学习模型的主要结构进行说明。
53.图4所示的深度学习模型基于至少一个卷积层401、特征提取骨干网络402、全连接网络403依序串联而构成。如图4所示，至少一个卷积层401用于对输入所述深度学习模型的三维变化量矩阵进行特征提取，其中，三维变化量矩阵可以是由训练样本中的出射光参数的变化量按照一定的规则变换而得到，例如可以对进行维度变换而得到三维变化量矩阵，中包含吸收体在待测区域中的深度信息，以便于深度学习模型能够从不同深度维度上提取到吸收体的特征。在另一些实施例中，作为深度学习模型的输入的出射光参数的变化量可以为多个，仅作为示例，例如可以在待测区域包含不同深度的吸收体的情况下获取多个出射光参数的变化量，并对各个按照光源探测器与光源之间的对应关系进行维度变换，得到多个二维矩阵，并将多个二维矩阵按照一定的规则复合后作为三维变化量矩阵，在这种情况下，三维变化量矩阵中至少包含吸收体在待测区域中的深度信息。在其他实施例中，也可以采用其他的变换方式来基于得到三维变化量矩阵，本技术对此不做具体限制。
54.特征提取骨干网络402由集成了压缩和激励模块的残差神经网络（se-resnet）构成，用于为所提取的特征分配注意力权重，并基于注意力权重对所提取的特征进行加权处理，其中，压缩和激励模块可以为一个或多个，以对待测区域在深度和/或广度上进行压缩和激励。图5示出根据本技术实施例的特征提取骨干网络的部分组成示意图。如图5所示，在特征骨干提取网络中，首先可以由池化层对前级经由至少一个卷积层401对三维变化量矩阵的高维度特征所提取的特征进行深度维度和/或广度维度的最大池化或平均池化处理，以对广度信息进行压缩处理为例，可以对各个深度上的广度信息进行压缩，根据池化结果，确定待成像区域的不同深度维度的全局信息，基于该全局信息确定各个深度维度的注意力权重，利用全连接层和激活函数来对各个注意力权重进行调整，然后进行注意力加权，输出带有注意力权重的特征，最后利用图4所示的全连接网络403来与待测区域的维度进行匹配，输出光学传输参数的变化量的预测值，来对待测区域的光学传输参数空间分布进行
重建。经过上述不同维度的压缩和激励过程，可以准确地识别待测区域内吸收体的位置、尺寸等参数信息，使得深度学习模型在学习的过程中更充分地利用输入的出射光参数的变化量矩阵中的有效信息，更好地关注到与吸收体所引起的待测区域的光学传输参数的变化相关的局部特征，从而提高深度学习模型的性能，提升重建的精度。
55.此外，在特征提取骨干网络402中通过残差连接引入残差特征，可以有效防止深度学习模型具有较深的层数时，在训练中出现退化现象而导致网络后部分层的梯度无法更新的问题，因此也可以帮助深度学习模型持续训练以达到更好的性能。
56.全连接网络403具有与所述待测区域中的体素数量相同的节点数量，用于基于带有注意力权重的特征，对所述待测区域内各个体素的光学传输参数的变化量进行回归预测。由此，深度学习模型将经全连接网络403输出待测区域内各个体素的光学传输参数的变化量的预测值，作为所预测的待测区域的光学传输参数空间分布。
57.在一个优选实施例中，还可以基于多任务学习来利用多种损失函数对深度学习模型进行联合训练。例如可以将训练样本中与对应的光学传输参数的变化量作为深度学习模型输出的光学传输参数的变化量的预测值的地面真值，并将和的均方误差作为第二损失函数，如下面的公式（8）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）此外，发明人通过实验发现，第二损失函数对特征的细小变化不敏感，在重建过程中容易导致噪声和伪影，因此，根据本技术的实施例进一步引入第三损失函数，即，将和的平均绝对误差作为第三损失函数，如下面的公式（9）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）在一些实施例中，可以基于包括公式（7）定义的第一损失函数、公式（8）定义的第二损失函数和公式（9）定义的第三损失函数在内的组合损失函数来对深度学习模型进行训练。在一些实施例中，可以对上述三个损失函数按照一定比例进行加权处理。在一个优选实施例中，将第一损失函数的权重设置为大于第二损失函数和第三损失函数的权重，优选地，发明人将第一损失函数、第二损失函数和第三损失函数的权重分别设置为0.7、0.1、和0.2，这样，可以更着重地考虑应用了作为先验知识的映射关系a的第一损失函数，并且能够平衡三个损失函数间的偏差，重点提升重建的整体的准确度和泛化性能，而通过将第三损失函数的权重设置为高于第二损失函数，则可以使得深度学习模型对较小的光学传输参数变化更加敏感，有助于进一步提升重建光学传输参数的变化量的质量。
58.在另外一些实施例中，在对深度学习模型训练完成后，还可以利用验证样本集和测试样本集对训练好的深度学习模型进行验证和测试，例如，训练样本集、验证样本集和测试样本集的比例可以设置为0.9:0.05:0.05。其中，验证样本集可以按照与生成训练样本类
似的方法生成，并且同样带有地面真值标注。并且其中，所生成的验证集在所包含的吸收体的尺寸分布、位置分布等方面与训练样本集中的尺寸分布和位置分布等应保持大致接近。进一步地，还可以使用验证样本集对深度学习模型进行超参数调优，例如参数优化器可以使用adam，并使用结合了第一损失函数、第二损失函数和第三损失函数的组合损失函数进行反向传播。测试数据集可以用于对模型的泛化能力等进行测试评估。
59.在一些实施例中，利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建可以进一步包括：获取受检者在脑部生理状态发生变化情况下相对其在静息态下的出射光参数的代表性变化量，其中，所述待测区域为受检者的目标头部区域，然后，将所述出射光参数的代表性变化量输入到训练好的所述深度学习模型，以获取所述待测区域光学传输参数的变化量的预测值，作为重建后的所述待测区域的光学传输参数空间分布。在一些实施例中，上述代表性变化量例如可以是受检者在脑部生理状态发生变化情况下的出射光参数与预设时长的静息态下出射光参数的平均值之间的差值，也可以是按照其他方式计算得到的受检者在脑部生理状态发生变化情况下与静息态下的出射光参数之间的偏差等，本技术对此不做限制。
60.进一步地，在进行近红外脑功能检测的情况下，光学传输参数为近红外光的光学传输参数，在利用深度学习模型输出重建后的待测区域的光学传输参数空间分布之后，还可以基于重建后的待测区域的光学传输参数空间分布，生成重建后的待测区域在不同组织深度的三维的近红外脑功能图像。
61.图6示出根据本技术实施例的吸收体的光学传输参数空间分布的真实值和深度学习模型的重建结果的三维示意图。
62.图6左列为按照本技术实施例的训练样本生成方法所生成的包含吸收体的训练样本，其中，待测区域内部深色部分为所生成的吸收体。图6中列示出的是利用现有技术对待测区域的光学传输参数空间分布进行重建的结果，右列示出的是利用本技术实施例的光学传输参数空间分布的重建方法对待测区域的光学传输参数空间分布进行重建的结果。通过比较可以看出，针对不同数量、形状的吸收体，根据本技术实施例的重建方法相较现有技术的重建方法均具有较高的准确度和重建精度。
63.图7（a）和图7（b）示出根据本技术实施例的光学传输参数重建结果在不同深度的剖面图。在图7（a）和图7（b）中，第一行为按照本技术实施例的训练样本生成方法在待测区域放置吸收体后所生成的训练样本在不同深度（从0.0cm到3.0cm）的二维剖面图，其中，深色区域为背景区域，浅色区域为包含吸收体的区域。在图7（a）和图7（b）的第二行和第三行分别为利用现有技术的重建方法和利用本技术的重建方法对待测区域光学传输参数空间分布进行重建后，对应深度的二维剖面图。
64.从图7（a）可以看到，所放置的两个无交叠的吸收体大概位于深度为2.0厘米-3.0厘米之间，处于较深的位置，而在深度1.5cm到待测区域表面（0.0cm）则并未放置吸收体。通过两种方法重建的二维剖面图的比较可知，现有技术的重建方法未能对两个吸收体独立识别，并且几乎未能识别吸收体在深度为3.0cm的部分，而对于不存在吸收体的深度1.5cm处，以及完全没有吸收体的更浅处，其产生了不期望的较为明显的伪影或噪声。相对于现有技术方法，根据本技术实施例的重建方法基本能够识别为两个吸收体，并且能够部分识别吸收体在3.0cm处的部分，此外，与现有技术相比，在不存在吸收体的深度所产生的伪影和噪
声也较少。
65.从图7（b）所示的待测区域中可以看到，所放置的两个相互有交叠的吸收体，其中一个的深度大约位于0.0cm-2.0cm，另一个的深度大约位于0.0cm-1.5cm，而在深度2.5cm-3.0cm的范围内则未放置吸收体。通过两种方法重建的二维剖面图的比较可知，现有技术的重建方法对深度位于0.5cm-1.5cm中等深度的吸收体能够较好地识别，而对于位于深度为0.0cm以及深度为2.0cm处的吸收体则未能很好地识别，因此其适用的深度范围较小且受限，并且，对于两个吸收体相互交叠的情况，其识别的精度较低，未能准确重建各处吸收系数之间的细微差别。与其相比较，根据本技术实施例的重建方法能够进行重建的深度更深，所重建的待测区域各个深度层上吸收系数的分布与真实值较为接近，准确重建了0.0cm-2.0cm处的两个交叠的吸收体及其具有差异的吸收系数，重建的准确度和精度都较高。
66.通过图7（a）和图7（b）可知，根据本技术实施例的光学传输参数空间分布的重建方法相比现有技术的重建方法，能够适用于更加多样化的光学传输参数空间分布的重建，并且能够适用的重建深度范围更广泛，在各个深度上都具有更高的重建准确度和重建精度（包括在更浅的深度和更深的深度都有相较对比方法更优的性能），因此，本技术的重建方法具有更高的性能和更好的泛化能力。
67.此外，通过对多次实验的统计，根据本技术实施例的重建方法在对1000个样例进行重建时，平均重建时间为0.0094秒，相对于现有技术具有较好的实时性。
68.本技术实施例还提供一种光学传输参数空间分布的重建装置。图8示出根据本技术实施例的光学传输参数空间分布的重建装置的部分结构示意图。图8所示的光学传输参数空间分布的重建装置800至少可以包括处理器801和存储器802，存储器802上存储有计算机可执行指令，此外，存储器802还可以存储经由光学检测设备等获取的用于待测区域的近红外数据等光学数据，等等。
69.图8所示的处理器801在执行该计算机可执行指令时可以执行根据本技术各个实施例所述的光学传输参数空间分布的重建方法的各种操作。
70.处理器801可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（cpu）、图形处理单元（gpu）等。更具体地，处理器801可以是复杂指令集计算（cisc）微处理器、精简指令集计算（risc）微处理器、超长指令字（vliw）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。处理器801还可以是一个以上专用处理设备，诸如专用集成电路（asic）、现场可编程门阵列（fpga）、数字信号处理器（dsp）、片上系统（soc）等。处理器801可以通信地耦合到存储器802并且被配置为执行存储在其上的计算机可执行指令，以执行上述各个实施例的光学传输参数空间分布的重建方法。
71.存储器802可以是非暂时性计算机可读的介质，诸如只读存储器（rom）、随机存取存储器（ram）、相变随机存取存储器（pram）、静态随机存取存储器（sram）、动态随机存取存储器（dram）、电可擦除可编程只读存储器（eeprom）、其他类型的随机存取存储器（ram）、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器（cd-rom）、数字通用光盘（dvd）或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
72.根据本技术实施例的光学传输参数空间分布的重建装置800，能够在待测区域表面以高密度方式布置光源和光源探测器的拓扑结构，并构建深度学习模型，利用所求取的
不包含吸收体情况下的待测区域初始光学传输参数与初始出射光参数之间的映射关系作为先验知识生成的包含吸收体的带真值的训练样本对深度学习模型进行训练，并利用训练好的深度学习模型，基于光源探测器测量得到的出射光参数变化量来对待测区域的光学传输参数空间分布进行重建，能够更准确地预测出待测区域内的光学传输参数的变化量，并对待测区域的光学传输参数空间分布在更大深度上进行高准确度、高空间分辨率的三维重建，由此重建的待测区域的图像也具有更高的图像质量。
73.本技术实施例还提供一种近红外脑功能成像系统。图9示出根据本技术实施例的近红外脑功能成像系统的部分组成示意图。图9所示的近红外脑功能成像系统900例如可以包括近红外光学数据采集装置901和根据本技术各个实施例所述的光学传输参数空间分布的重建装置902，其中，光学传输参数空间分布的重建装置902实现光学传输参数空间分布的重建方法的各种操作。可以理解的是，近红外光学数据采集装置901可以构造为近红外脑功能成像装置，其包括头帽（未示出），所述头帽上设置有用于向受检者的目标头部区域发射近红外光的光源（未示出），以及用于探测出射近红外光的光源探测器（未示出）。
74.根据本技术实施例的近红外脑功能成像系统900，其可以在近红外光学数据采集装置901和光学传输参数空间分布的重建装置902中设置相同的待测区域表面光源与光源探测器的拓扑结构，拓扑结构的设置方式已在前文进行详细描述，在此不赘述。然后，利用近红外光学数据采集装置901头帽上的近红外光的光源向受检者的目标头部区域发射近红外光，并利用头帽上的光源探测器探测出射近红外光参数，并计算得到的近红外出射光参数的变化量，输入光学传输参数空间分布的重建装置902，作为其深度学习模型的输入，利用深度学习模型输出的待测区域的近红外光的光学传输参数空间分布的预测值来对受检者的目标头部区域的近红外图像进行重建。根据本技术实施例的近红外脑功能成像系统900能够利用训练好的深度学习模型对受检者的目标头部区域的光学传输参数的变化量进行更准确的预测，从而在更广的深度范围内对受检者的目标头部区域的光学传输参数空间分布进行高准确度、高空间分辨率的三维重建，得到三维的近红外脑功能图像，由此重建的受检者的目标头部区域的图像也具有更高的图像质量。
75.本技术实施例还提供一种存储有程序的非暂时性计算机可读存储介质，所述程序使得处理器执行如本技术各个实施例所述的光学传输参数空间分布的重建方法的各种操作。
76.此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本技术的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本技术的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由权利要求以及其等同物的全部范围所指示。
77.以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本技术。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本技术的主题可以少于特定的公开的实施例的全部特征。从而，权利要求书作为示例或实施例在此并入具体
实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本技术的范围应参照权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
78.以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。