一种基于物理嵌入式神经网络的超声颅脑层析成像方法

本发明涉及颅脑成像，特别是指一种基于物理嵌入式神经网络的超声颅脑层析成像方法。

背景技术：

1、超声成像设备因其可负担性、便携性、安全性、易操作性以及无需麻醉等优点，已将医学超声技术推向非侵入性成像的前沿。特别值得一提的是，在孕妇体内检查中广泛应用的超声波，充分证明了其多功能性和可靠性。尽管超声成像具有公认的优势，但在实现高分辨率成人大脑成像方面仍面临挑战。其中一个主要挑战是颅骨缝线随年龄增长而闭合，影响了传统经颅超声所使用的高频信号(5mhz至12mhz)的效果。此外，颅骨、软组织以及充满气体或液体的腔体之间的声速差异会引起超声波在穿越大脑时的散射、折射和衍射，进而导致信号波前失真和成像复杂化。虽然已成功开发了一些低频超声技术(低于1mhz)，以脉冲回波b模式成像来可视化特定大脑结构，但通常牺牲了空间分辨率。此外，通过相对较薄的骨窗使用低频(2mhz)已证明有助于实现大脑内动脉的多普勒成像。然而，要实现成人大脑的高分辨率超声成像，仍需要进一步的研究和技术进步。

2、除了超声，其他几种成像模式，如mri、ct和光声成像，被认为具有成为大脑成像的竞争替代品的潜力。然而，与这些模式相比，超声仍然是最具广泛应用和最少侵入性的成像方式。在医学超声领域，全波形反演(fwi)为解决断层成像相关挑战提供了潜在的解决方案。然而，传统fwi由于高计算需求，在临床应用中面临着挑战，导致成像时间延长(例如，3d成像需32小时)。此外，fwi在很大程度上依赖于适当的初始模型，而在大脑成像中，由于颅骨和组织的速度差异，颅骨的先验知识尤为重要。基于深度学习的fwi被认为有望解决这些挑战。尽管如此，基于深度学习的fwi算法在训练速度和成像分辨率方面仍然面临挑战，且尚未建立一种普遍适用、安全稳定的大脑成像技术。尽管存在挑战，但正在进行的研究和开发表明，基于深度学习的fwi有望改变医学成像，并显著增强我们对复杂生物结构的理解。

技术实现思路

1、针对上述背景技术中存在的不足，本发明提出了一种基于物理嵌入式神经网络的超声颅脑层析成像方法，解决了现有全波形反演方法在未知颅骨条件下反演周期跳跃问题以及实时成像方面存在的技术难题。

2、本发明的技术方案是这样实现的：

3、一种基于物理嵌入式神经网络的超声颅脑层析成像方法，其步骤如下：

4、步骤一：根据颅脑生物组织的分布特性将真实物理ct脑模型转换为颅脑声学速度分布图；

5、步骤二：根据颅脑声学速度分布图以及颅脑超声信号在生物组织各向同性介质中的传播物理特性获取声场时域信号；

6、步骤三：对获取的声场时域信号进行数据预处理获取频域数据矩阵，构建数值模拟数据库；

7、步骤四：搭建基于全波形反演算法和嵌入式物理的神经网络模型，包括正演前向卷积网络和反演子卷积网络；利用数据预处理后的颅脑声学速度分布图和频域数据矩阵对基于全波形反演算法和嵌入式物理的神经网络模型进行网络训练，得到最优的网络参数；

8、步骤五：使用待预测的频域数据矩阵输入到训练好的基于全波形反演算法和嵌入式物理的神经网络模型中进行超声脑层析成像。

9、步骤一的实现方法为：

10、考虑到颅脑生物组织分布特性以及真实物理ct脑模型的骨孔隙度，来描述模型密度、声速和吸收的耦合变化，如式(1)所示：

11、φ＝1-(hu/1000)  (1)；

12、其中，hu代表“韦氏单位”，用于衡量ct图像中组织密度的单位，φ代表孔隙度图；将水和骨的声速参考值(cwater，cbone)作为标准，对孔隙度图进行线性插值，如公式(2)所示：

13、mt＝φ×cwater+(1-φ)×cbone  (2)；

14、根据上述所述，可以将真实物理ct脑模型转换为颅脑声学速度分布图mt。

15、步骤二的实现方法为：

16、根据颅脑声学速度分布图以及颅脑超声信号在生物组织各向同性介质中的传播物理特性，将脑声学速度分布图的边界视为吸收层，同时在波动方程中加入阻尼项，使用各向同性介质波动方程来获取声场时域信号，其声学波动方程如式(3)所示：

17、

18、其中，m(x)为n×n大小的全局质量矩阵，p(x)为n×n大小的全局阻尼矩阵，c(x)为n×n大小的全局刚度矩阵，为n×1大小的声压波场或弹性位移波场，f(x,t)为n×1大小的点源项，x和t代表空间坐标系和时间坐标系；在求解脑模型的超声波场时将初始条件定义为：

19、

20、同时将格林函数嵌入到声学波动方程式(3)进行求解，得到式(5)：

21、

22、其中初始条件变换为

23、

24、作为高阶时间的替代，空间频率域中的波动方程通过傅里叶变换可得到式(7)：

25、

26、其中ω代表角频率；与空间时间域的变换关系如式(8)所示：

27、

28、通过简化，可以得到式(9)：

29、

30、式(9)表示为线性方程并且使用lu分解来求解，将lu分解应用于系数矩阵，只需一次运算即可将其划分为下三角矩阵和上三角矩阵；同时，在颅脑声学速度分布图中，均匀地在脑介质周围布置圆形阵列的发射器和接收器；脑介质位于圆形阵列的内部，发射模式是向一个发射器施加雷克子波激励信号，同时所有接收器记录声场时域信号；依此类推，直至所有发射器都被用作一次激励源；根据公式(9)、颅脑声学速度分布图、发射器和接收器位置与发射模式求解出声场时域信号。

31、所述数据预处理为信号处理算法，对步骤二中获取的声场时域信号进行傅里叶变换转换为频率域信号，并提取发射信号中心频率的空间频率域幅值和相位组成频域数据矩阵。

32、所述利用数据预处理后的颅脑声学速度分布图和频域数据矩阵进行网络训练，得到最优的网络参数的方法为：

33、对于正演前向卷积网络：将数据预处理后的颅脑声学速度分布图作为输入，将频域数据矩阵作为输出对正演前向卷积网络进行训练，得到正演前向卷积网络的最优网络参数；将训练好的正演前向卷积网络与未训练的反演子卷积网络进行相互嵌入迭代，具体方式是：以正演前向卷积网络的输出作为反演子卷积网络的输入，以反演子卷积网络的输出作为正演前向卷积网络的输入，这个过程循环进行，构成物理嵌入式神经网络；对物理嵌入式神经网络进行训练，得到物理嵌入式神经网络的最优参数；

34、正演前向卷积网络的训练方法为：

35、在对声场时域信号进行傅里叶变换后，得到发射信号中心频率的空间频率域幅值和相位组成的频域数据矩阵，进行卷积网络实现特征提取，如式(10)所示：

36、

37、其中，dk是卷积层的输出特征图中的第i个通道，n是输入图像的通道数，wkj是卷积核的权重，xj是输入图像的第j个通道，bk是偏置项，f是激活函数；训练过程如下：①随机初始化权重wkj和偏置bk；②将输入xj通过公式(10)进行前向传播，得到预测值dk；③使用预测值dk和真实值dt计算损失函数；④使用反向传播算法计算损失函数权重wkj和偏置bk的梯度；⑤使用梯度下降法更新权重wkj和偏置bk以减少损失函数的预测值dk；⑥重复进行步骤②-⑤，直至达到预定的停止条件，即达到最大迭代步数或损失函数预测值dk收敛到设定阈值。

38、正演前向卷积网络的输入为颅脑声学速度分布图，输出为频域数据矩阵，用以探索大脑模型与波场之间的非线性映射关系；其损失函数定义为正演前向卷积网络计算的频域数据矩阵与步骤三中计算出的频域数据矩阵之间的均方误差，如公式(11)所示：

39、

40、其中，nf表示正演前向卷积网络的损失函数，nt表示发射源的数量，nr表示接收源的数量，表示步骤三中计算出的第i'通道发射、第j'通道接收频域数据的实部或虚部，表示正演前向卷积网络计算的第i'通道发射、第j'通道接收频域数据的实部或虚部。

41、反演子卷积网络实现了从波场到模型的非线性映射；在整个神经网络结构中，正演前向卷积网络与反演子卷积网络相互嵌入并迭代，其中，在第一次迭代中，将步骤三中计算出的频域数据矩阵dt与初始模型对应的频域数据矩阵d0之间的残差作为反演子卷积网络的输入；在随后的迭代中，将步骤三中计算出的频域数据矩阵dt与正演前向卷积网络预测的频域数据矩阵dk作为反演子卷积网络的输入，k＝1,2,…,n'；反演子卷积网络可以将频域数据矩阵的残差映射到对应的颅脑声学速度分布残差速度分布图mf，进而将残差速度分布图mf与初始模型速度分布图m0相加得到预测的颅脑声学速度分布图mk；迭代过程如公式(12)所示：

42、

43、其中，m0表示从有限差分获得的初始模型速度分布图，d0表示从有限差分获得的初始模型速度分布图相应的频域数据矩阵，n'代表迭代次数，mk代表迭代过程中的预测的颅脑声学速度分布图，dk代表迭代过程中的频域数据矩阵，代表每次迭代的正演前向卷积网络，代表每次迭代的反演子网络，i”＝1,2,…,n'。

44、基于全波形反演算法和嵌入式物理的神经网络模型的损失函数定义为输入的颅脑声学速度分布图mt和预测的颅脑声学速度分布图mn'之间的均方误差，如公式(13)所示：

45、

46、其中，ns表示物理嵌入式网络的损失函数，g代表速度分布图的长度，h代表速度分布图的宽度，表示颅脑声学速度分布图中第i0行、第j0列的速度值，表示预测的颅脑声学速度分布图中第i0行、第j0列的速度值。

47、与现有技术相比，本发明产生的有益效果为：

48、1)与使用全波形反演(fwi)的医学成像的最新发展相比，本发明能够在不需要任何先验信息的情况下实现高精度成像，且仅使用单频信息构建模拟数据库即可获取颅脑的速度分布图，其成功的原因归功于相互嵌入的正演前向卷积网络和反演子网络的独特设计。

49、2)搭建的物理嵌入式神经网络在二维大脑断层扫描成像的结果与真实图像的结构相似性超过0.94，足以证明本发明方法的显著准确性。

50、3)搭建的物理嵌入式神经网络可以对大脑中各种类型的血块进行成像，包括固定声速分布的圆形血块、高斯声速分布的不规则形状血块和不同切片的高斯声速分布的不规则形状凝块。这一有益效果展示了本发明方法在应对各种成像挑战方面的有效性。

51、4)损失函数的构建分为两部分，分别为正演前向卷积网络的损失函数nf和物理嵌入式网络的损失函数ns，其中构建成功的nf与反演子网络相互迭代，构成了ns，这种独特的设计思路为颅脑反演的成功提供了必要的物理条件。

52、5)本发明的超声颅脑层析成像技术容易实现、解决了全波形反演的周期跳跃问题、成像速度快。

技术特征：

1.一种基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，步骤一的实现方法为：

3.根据权利要求1所述的基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，

4.根据权利要求1或3所述的基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，所述数据预处理为信号处理算法，对步骤二中获取的声场时域信号进行傅里叶变换转换为频率域信号，并提取发射信号中心频率的空间频率域幅值和相位组成频域数据矩阵。

5.根据权利要求4所述的基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，所述利用数据预处理后的颅脑声学速度分布图和频域数据矩阵进行网络训练，得到最优的网络参数的方法为：

6.根据权利要求5所述的基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，

7.根据权利要求6所述的基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，正演前向卷积网络的输入为颅脑声学速度分布图，输出为频域数据矩阵，用以探索大脑模型与波场之间的非线性映射关系；其损失函数定义为正演前向卷积网络计算的频域数据矩阵与步骤三中计算出的频域数据矩阵之间的均方误差，如公式(11)所示：

8.根据权利要求5所述的基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，反演子卷积网络实现了从波场到模型的非线性映射；在整个神经网络结构中，正演前向卷积网络与反演子卷积网络相互嵌入并迭代，其中，在第一次迭代中，将步骤三中计算出的频域数据矩阵dt与初始模型对应的频域数据矩阵d0之间的残差作为反演子卷积网络的输入；在随后的迭代中，将步骤三中计算出的频域数据矩阵dt与正演前向卷积网络预测的频域数据矩阵dk作为反演子卷积网络的输入，k＝1,2,…,n'；反演子卷积网络可以将频域数据矩阵的残差映射到对应的颅脑声学速度分布残差速度分布图mf，进而将残差速度分布图mf与初始模型速度分布图m0相加得到预测的颅脑声学速度分布图mk；迭代过程如公式(12)所示：

9.根据权利要求8所述的基于物理嵌入式神经网络的超声颅脑层析成像方法，其特征在于，基于全波形反演算法和嵌入式物理的神经网络模型的损失函数定义为输入的颅脑声学速度分布图mt和预测的颅脑声学速度分布图mn'之间的均方误差，如公式(13)所示：

技术总结
本发明提出了一种基于物理嵌入式神经网络的超声颅脑层析成像方法，其步骤为：首先，根据颅脑生物组织的分布特性，将真实物理CT脑模型转换为颅脑声学速度分布图；其次，根据颅脑速度分布图以及颅脑超声信号传播的物理特性，获取声场时域信号；接着，对声场时域信号进行数据预处理获取频域数据矩阵，建立数值模拟数据库；然后，搭建基于全波形反演算法和嵌入式物理的神经网络结构，并利用颅脑声学速度分布图和频域数据矩阵对网络进行训练，得到最优网络超参数的组合；最后，使用待预测的频域数据矩阵输入到网络中，实现高精度、实时的超声颅脑层析成像。本发明实现了对脑结构的组织定量化成像与评估，具有成像速度快，成像精度高的优点。

技术研发人员：刘洋,任佳豪,李健
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/9/23