[发明专利]一种光吸收能量分布图和声速分布图的重建方法及系统

权利要求书

1.一种光吸收能量分布图和声速分布图的重建方法，其特征在于，所述方法，包括：

获取待成像平面的测量成像数据；所述测量成像数据包括有限角度光声信号测量数据和常数声速值；

将所述测量成像数据输入到图像重建模型中，得到待成像平面处的光吸收能量重建分布图和声速重建分布图；所述图像重建模型是根据历史成像数据，利用梯度下降算法对卷积神经网络进行训练得到的。

2.根据权利要求1所述的光吸收能量分布图和声速分布图的重建方法，其特征在于，在所述获取待成像平面的成像数据之前，还包括：

获取训练集；所述训练集包括待测血管多个平面的历史成像数据、光吸收能量历史分布图和声速历史分布图；

以所述历史成像数据为输入，以所述光吸收能量历史分布图和所述声速历史分布图为期望输出，利用梯度下降算法对卷积神经网络进行训练，得到图像重建模型。

3.根据权利要求2所述的光吸收能量分布图和声速分布图的重建方法，其特征在于，所述以所述历史成像数据为输入，以所述光吸收能量历史分布图和所述声速历史分布图为期望输出，利用梯度下降算法对卷积神经网络进行训练，得到图像重建模型，具体包括：

将所述训练集划分为多个训练子集；

确定训练前的卷积神经网络为第i×epoch×I阶卷积神经网络；

令网络层序号i＝1；

令训练集遍历次数epoch＝0；

确定任一训练子集为当前训练子集；

令当前训练子集的索引I＝1；

将所述当前训练子集输入到第i×epoch×I阶卷积神经网络中，得到第i×epoch×(I+1)阶卷积神经网络；

更新当前训练子集，令I的数值增加1，并返回步骤“将所述当前训练子集输入到第i×epoch×I阶卷积神经网络中，得到第i×epoch×(I+1)阶卷积神经网络”直至历遍训练子集，得到第i×(epoch+1)×1阶卷积神经网络；

令epoch的数值增加1并返回步骤“令当前训练子集的索引I＝1”直至epoch大于训练集遍历次数阈值，得到第(i+1)×0×1阶卷积神经网络；

令i的数值增加1并返回步骤“令训练集遍历次数epoch＝0”直至i大于网络层序号阈值，得到i×epoch×I阶卷积神经网络作为图像重建模型。

4.根据权利要求3所述的光吸收能量分布图和声速分布图的重建方法，其特征在于，所述将所述当前训练子集输入到第i×epoch×I阶卷积神经网络中，得到第i×epoch×(I+1)阶卷积神经网络，具体包括：

将所述当前训练子集输入到第i×epoch×I阶卷积神经网络中，得到第i×epoch×I次迭代时的光吸收能量历史预测分布图和第i×epoch×I次迭代时的声速历史预测分布图；

根据光吸收能量历史分布图和第i×epoch×I次迭代时的光吸收能量历史预测分布图，确定第i×epoch×I阶卷积神经网络执行光吸收能量分布时的损失为第一损失；

根据声速历史分布图和第i×epoch×I次迭代时的声速历史预测分布图，确定第i×epoch×I阶卷积神经网络执行声速分布时的损失为第二损失；

根据所述第一损失确定第i×epoch×I阶卷积神经网络输出层的第一误差向量；

根据所述第二损失确定第i×epoch×I阶卷积神经网络输出层的第二误差向量；

根据所述第一误差向量和第一递推公式确定第i×epoch×I阶卷积神经网络每一层的第一误差向量；

根据所述第二误差向量和第二递推公式确定第i×epoch×I阶卷积神经网络每一层的第二误差向量；

根据第一权重、第二权重、多个第一误差向量和多个第二误差向量，确定第i×epoch×I阶卷积神经网络每一层参数的梯度；所述第一权重为卷积神经网络执行光吸收能量分布时的权重；所述第二权重为卷积神经网络执行声速分布时的权重；

基于第i×epoch×I阶卷积神经网络每一层参数的梯度，利用Adam算法调整第i×epoch×I阶卷积神经网络中每一层参数的尺度，得到第i×epoch×(I+1)阶卷积神经网络。