本发明涉及生物检测,特别是涉及一种基于多波长光学图像特征融合的头部异质体成像方法及系统。
背景技术:
0、技术背景
1、颅内出血形成异质体是颅脑损伤和心血管疾病中常见且严重的继发性病变,约占闭合性颅脑损伤的10%和重型颅脑损伤的40%~50%,对于此类病人一般需要进行开颅手术,但术后常伴随再次出现颅内出血的情况,这时医生需要根据异质体大小判断是否需要再次通过手术清除异质体或通过药物治疗使异质体自行吸收,因此需要术后实时监测异质体变化情况。
2、目前,头部异质体检测的主要方法仍是如ct(电子计算机断层扫描)、mri(磁共振成像)这类影像学检测方法,由于设备的大小和使用方式的限制,此类方法均无法对头部异质体变化实现连续监控,现有的头部异质体连续监测算法大多采用的是扩散相干层析成像的方法(diffuse optical tomography,dot),但传统的dot成像过程中存在病态逆问题,这导致其由于输入信息不足,成像效果不佳;因此,亟需一种方法或系统可以有效缓解dot方法成像过程中存在病态逆问题,提高头部异质体成像的效果,以便精确监测头部异质体。
技术实现思路
1、本发明的目的是提供一种头部异质体成像方法及系统,有效提高异质体成像的效果。
2、为了实现上述目的,本发明提供了如下方案:
3、一种基于多波长光学图像特征融合的头部异质体成像方法,包括:
4、s100,利用历史ct图像建立带有异质体的头部分层模型,根据所述头部分层模型异质体位置确定光源探测器放置位置;
5、s200,在所述光源探测器放置位置轮换放置光源与探测器进行光学仿真,获取不同大小异质体在不同光源探测器放置位置下的仿真吸光度数据与头部模型吸收系数数据;
6、s300,改变光源波长,获取不同光源波长下的单波长仿真吸光度数据;
7、s400,根据不同光源波长下的单波长仿真吸光度数据,采用多波长光学图像特征融合方法获取多波长仿真光学特征数据并与所述头部模型吸收系数数据一起建立数据集;
8、s500,将所述数据集划分为训练集与预测集,训练集用于对深度学习模型进行训练来获取训练好的深度学习网络模型;
9、s600,根据所述预测集,采用所述深度学习网络模型确定头部模型的吸收系数分布,根据吸收系数的分布重建头部异质体图像。
10、在s100中,利用历史ct图像建立带有异质体的头部分层模型,根据所述头部分层模型异质体位置确定光源探测器放置位置,具体包括:
11、s101,根据所述历史ct图像确定异质体在所述头部模型的位置,将头部模型存在异质体的横断面区域作为重点区域;
12、s102,将所述重点区域分为头皮头骨层、脑脊液层、灰质白质层和异质体区域作为头部分层模型,用有限元分割方法将所述头部分层模型分割为有限元网格;
13、可选的,s103,将所述异质体区域最为临近的头皮头骨层部分的上方作为光源探测器放置区域,在所述的光源探测器放置区域等间距确定n个点的位置作为光源探测器放置位置。
14、在s200中,在所述光源探测器放置位置轮换放置光源与探测器进行光学仿真,获取不同大小异质体在不同光源探测器放置位置下的仿真吸光度数据与头部模型吸收系数数据,具体包括:
15、s201,根据所述的光源探测器放置位置将其n个点标记为d1-dn;
16、s202,通过边界提取及放缩方法放缩异质体得到不同大小的仿真异质体组成仿真异质体样本数据集;
17、s203,依次在d1-dn位置放置单独光源,设置光源波长为λ1,在其余n-1个位置放置探测器,在所述不同大小的仿真异质体组成仿真异质体样本数据集上进行光学仿真,得到光源波长为λ1下的不同大小异质体在不同光源探测器放置位置下的仿真吸光度数据与头部模型吸收系数数据。
18、在s300中,改变光源波长,获取不同光源波长下的单波长仿真吸光度数据,具体包括:
19、s301,将光源波长由λ1变为λ2,根据所述s200的步骤,获取光源波长为λ2下的单波长仿真吸光度数据与头部模型吸收系数数据;
20、s302,将光源波长由λ2变为λ3,根据所述s200的步骤,获取光源波长为λ3下的单波长仿真吸光度数据与头部模型吸收系数数据。
21、在s400中,根据不同光源波长下的单波长仿真吸光度数据,采用多波长光学图像特征融合方法获取多波长仿真光学特征数据并与所述头部模型吸收系数数据一起建立数据集,具体包括:
22、s401,分别对所述不同光源波长下的单波长仿真吸光度数据采用光学图像映射特征提取方法获取不同光源波长下的单波长仿真光学特征图像;
23、其中,在s401中,光学图像映射特征提取方法为:
24、s4011,将所述每个大小的异质体对应的n组1*n的仿真吸光度数据整合为n*n的光学灰度图像,对n*n的光学灰度图像依次进行卷积、归一化、映射、卷积、归一化、映射、池化、插值的操作使其变为m*m的光学初步特征图像;
25、s4012,将所述光学初步特征图像滤波处理后进行二维离散小波变换获取所述单波长仿真光学特征图像;
26、s402,对所述不同光源波长下的单波长仿真光学特征图像采用多波长图像融合方法获取多波长仿真光学特征图像;
27、其中,在s402中,多波长图像融合方法为:
28、s4021,在所述不同光源波长下的单波长仿真光学特征图像中选取2个波长的单波长仿真光学特征图像进行双波长融合得到初步融合仿真光学特征图像;
29、其中,在s4021中,双波长图像融合方法为:
30、s40211,计算2个波长的单波长仿真光学特征图像的相似性矩阵s;
31、s=[2k*(pλ1×pλ2)]÷[k*pλ12+k*pλ22]
32、其中pλ1、pλ2为2个波长的单波长仿真光学特征图像,“*”表示卷积操作,“×”表示矩阵对应元素相乘,“÷”表示矩阵对应元素相除,k为3*3的卷积核;
33、s40212,根据所述相似性矩阵s计算初步融合仿真光学特征图像;
34、pout=s×pλ1+(i-s)×pλ2
35、其中i是所有元素都为1的矩阵,pout是初步融合仿真光学特征图像;
36、s4022,将所述初步融合仿真光学特征图像与另一个波长的单波长仿真光学特征图像再次用双波长图像融合方法进行融合获取多波长仿真光学特征图像;
37、s403,使用反映射方法将所述多波长仿真光学特征图像转变为多波长光学特征数据;
38、其中,在s403中,反映射方法为:
39、s4031,将所述多波长仿真光学特征图像依次进行反插值、反池化、反映射、反归一化、反卷积、反映射、反归一化、反卷积的操作使其变为n*n的初步多波长仿真光学特征数据;
40、s4032,将所述n*n的初步多波长仿真光学特征数据按行排列成为1*n2的多波长仿真光学特征数据;
41、s404,将所述多波长仿真光学特征数据与头部模型吸收系数数据按照异质体大小进行组合建立数据集。
42、在s500中,将所述数据集划分为训练集与预测集,训练集用于对深度学习模型进行训练来获取训练好的深度学习网络模型,具体包括:
43、可选的,s501,将所述数据集按照a∶1随机划分为训练集集与预测集;
44、s502,将所述训练集的多波长仿真光学特征数据作为输入,头部模型吸收系数数据作为输出采用深度学习网络进行训练;
45、可选的,采用栈式自编码深度神经网络进行训练。
46、在s600中,根据所述预测集,采用所述深度学习网络模型确定头部模型的吸收系数分布,根据吸收系数的分布重建头部异质体图像,具体包括:
47、s601,将所述预测集的多波长仿真光学特征数据输入训练好的栈式自编码深度学习网络,获取头部模型的吸收系数分布;
48、s602,根据头部模型的吸收系数分布结合所述有限元网络完成头部异质体图像重建。
49、一种基于多波长光学图像特征融合的头部异质体成像系统,包括:
50、仿真模块,用于利用历史ct图像建立带有异质体的头部模型,根据所述头部模型异质体位置确定光源探测器放置位置,在光源探测器放置位置轮换放置光源与探测器进行光学仿真,获取不同大小异质体在不同光源探测器放置位置下的仿真吸光度数据与头部模型吸收系数数据,改变光源波长,获取不同光源波长下的单波长仿真吸光度数据;
51、特征提取融合模块,用于根据不同光源波长下的单波长仿真吸光度数据,采用多波长光学图像特征融合方法获取多波长仿真光学特征数据并与所述头部模型吸收系数数据;
52、预测模型训练模块,用于将所述数据集划分为训练集与预测集,训练集用于对深度学习模型进行训练来获取训练好的深度学习网络模型;
53、头部异质体图像重建模块,用于根据所述预测集,采用所述深度学习网络模型确定头部模型的吸收系数分布,根据吸收系数的分布重建头部异质体图像。
54、所述仿真模块包括:
55、光源探测器放置位置选取单元,用于根据所述历史ct图像确定异质体在所述头部模型的位置,将头部模型存在异质体的横断面区域作为重点区域,重点区域被分为头皮头骨层、脑脊液层、灰质白质层和异质体区域,异质体区域最临近的头皮头骨层部分的上方为光源探测器放置区域,在光源探测器放置区域等间距确定n个点的位置作为光源探测器放置位置;
56、可选的,所述等间距的距离为3cm;
57、有限元分割单元,用于将所述重点区域分为头皮头骨层、脑脊液层、灰质白质层和异质体区域,采用有限元分割方法将所述重点区域的头部模型分割为有限元网格;
58、可选的,所述有限元分割方法以2.5mm的四面体作为分割单元;
59、数据扩增单元,用于通过边界放缩方法放缩异质体,得到不同大小的仿真异质体组成仿真异质体数据集;
60、仿真数据获取单元,用于在所述光源探测器放置位置轮换放置光源与探测器进行光学仿真,获取不同大小异质体在不同光源探测器放置位置下的仿真吸光度数据与头部模型吸收系数数据。
61、所述特征提取融合模块包括:
62、光学图像映射特征提取单元,用于分别对所述不同光源波长下的单波长仿真吸光度数据进行映射与特征提取以获取不同光源波长下的单波长仿真光学特征图像;
63、多波长图像融合单元,用于对所述不同光源波长下的单波长仿真光学特征图像进行特征融合融合获取多波长仿真光学特征图像;
64、反映射单元,使用反映射方法将所述多波长仿真光学特征图像转变为多波长光学特征数据;
65、数据集建立单元,将所述多波长仿真光学特征数据与头部模型吸收系数数据按照异质体大小进行组合建立数据集。
66、根据本发明提供的具体实施例,本发明公开了以下技术效果:
67、本发明基于ct脑部图像进行头部异质体的实时监测,采用一源多探、源探轮换的采集方式获取的异质体信息,结合多波长光源以获取更多头部异质体的光学信息;利用ct图像建立头部模型进行光学仿真,利用多波长光学图像特征融合方法将光学仿真信息进行特征提取与融合后对深度学习模型进行训练,达到提高模型头部异质体重建成像效果的目的,以便精确监测异质体。