基于深度学习的扩散光学层析成像方法研究.pdfVIP

摘要

扩散光学层析成像(DiffuseOpticalTomography,DOT)是一种在乳腺肿瘤成

像和脑功能检测等领域极具应用潜力的新型功能光学成像技术。传统的DOT成

像方法具有高度不适定性和病态性，获取的图像精度较低且主要针对规则的圆

形异质体进行重建。为面向实际应用，克服传统成像方法存在的问题，本文引

入深度学习方法进行DOT图像重建。

为了提高DOT图像重建质量以及重建欠规则异质体的能力，本文利用解剖

图像提供的结构先验信息结合具有网络模型简单、需要调整的网络参数少、网

络训练速度快等优点的栈式自编码(StackedAuto-Encoder,SAE)网络，发展了基

于多信息融合和SAE网络的DOT图像重建方法。为验证该方法在DOT图像重

建可行性和有效性，设置了对比仿真实验，对不同吸收对比度、不同尺寸并且

随机分布的单个圆形、椭圆形异质体以及双椭圆形异质体情况进行了实验评估。

实验结果表明，与无先验信息方法相比，该方法可有效提高低吸收对比度情况

下重建图像的质量。在对椭圆形异质体重建时，融合先验信息的方法重建图像

中异质体的位置、尺寸以及吸收系数更接近真实值，显示了其明显的优势。但

是，多种信息融合提高了数据集生成成本，并且对于单异质体图像重建精度有

待进一步优化。

为了降低传统DOT重建图像存在伪影，且量化度和空间分辨率较低的问题，

本文提出了代数重建算法(AlgebraicReconstructionTechnique,ART)与卷积神经

网络(ConvolutionalNeuralNetwork,CNN)结合的DOT图像优化方法。将ART算

法重建的粗略图像作为输入，真实光学参数图作为输出，训练人工神经网络。

仿真实验表明，该方法可以有效抑制噪声，消除重建图像的伪影。为了比较不

同结构的人工神经网络对于重建图像质量的影响，本文采用UNet+VGG16网络

进行图像优化，并对结果进行了定量比较和分析。实验结果表明采用特征提取

能力更强的UNet+VGG16网络可以进一步提高成像质量。

最后，在本课题组搭建的DOT稳态测量系统进行仿体实验，将实验数据和

仿真数据混合生成数据集，采用ART结合神经网络的进行DOT成像。实验结

果表明，使用ART算法结合神经网络成像方法的评估指标明显优于传统成像算

法，使用特征提取能力更强的网络进一步提高图像重建精度和空间分辨率。

万方数据

关键词：扩散光学层析成像，先验信息，栈式自编码网络，代数重建技术，

卷积神经网络，乳腺肿瘤，图像重建

万方数据

ABSTRACT

DiffuseOpticalTomography(DOT)isanovelfunctionalopticalimaging

techniquethatdemonstratesthepotentialapplicationsinbreasttumorimagingandbrain

functionimaging.TraditionalDOTimagingmethodsarehighlyunderdeterminedand

ill-posed,resultinginunsatisfactoryaccuracyofimagereconstruction.Inaddition,the

existingDOTimagingmethodsmainlyfocusonreconstructionofregularcirculartarget.