CN119313753B 一种基于多维信息融合网络的x射线热声成像方法 （重庆理工大学）

一种基于多维信息融合网络的X射线热声成本发明公开了一种基于多维信息融合网络的X射线热声成像方法，涉及人工智能医学成像高质量X射线热声图像快速重建，有效提取并利21.一种基于多维信息融合网络的X射线热声成像方法，其特征在于：至少包括以下步S1：模拟经X射线放疗后的初始声压数据集，在不同S2：逐模块的构建端到端的多维信息融合网络模型MFF_N所述S2中的端到端的多维信息融合网络模型MFF_NET包括左侧的信号特征提取模块、所述信号特征提取模块包括一个双向长短期记忆神经网络BiLSTM和编解码器U_net，ix采样点数w，提取的特征通过一个全连接层还原成12所述的编解码器U_net的下采样块中包含两个连续的卷积块和一个大小为2x2，步长为2的池化层组成，其中卷积块由大小为3x3，步长为1的激活函数组成，所述的编解码器U_net的上采样块中包含两个与下采样块中一致的卷积层所述主体为Unet架构，并在Unet架构的基础上融入交叉注意力模块来代替U所述特征融合模块引入了一种多级特征信息融合模块，以所述图像其中经所述图像特征融合模块后的特征与所述信号提取模块中解码器U_net相同大小S3：采用有监督的学习方法，在初始声压数据集和超S4：将放疗下的X射线诱发的超声信号输入训练好S5：将预测的声压分布还原生成相应的剂量2.根据权利要求1所述的一种基于多维信息融合网络的根据CT切片中的HU值区分不同组织，获取组织特异性参数，所3X射线放疗中产生的声压与所给剂量存在转化关系，根据转化关系将放疗计划中的辐射剂量分布转化为经X射线放疗后产生的初始声压分布获得初始声将初始声压分布预设在所述传感器阵列的扫描区域内，设定超3.根据权利要求1所述的一种基于多维信息融合网络以所述超声波仿真信号数据集中的超声波信号和经FBP重建的X射线热声图像作为输以所述初始声压数据集中对应的初始声压分布作为标签，采用有监督的学习方法训4.根据权利要求3所述的一种基于多维信息融合网络的X射线热声基于反向传播Adam算法，输入批量次大小的超声波仿真信号数据集和初始声压数据采用均方根误差作为损失函数来监督网络的训练，对最终输出的X射线热声图像和所5.根据权利要求1所述的一种基于多维信息融合网络通过仿真实验或真实放疗下获得X射线诱发的6.根据权利要求1所述的一种基于多维信息融合网络的X射根据声压与剂量的关系，将模型预测得到的声压分布转化为沉积剂4[0001]本发明涉及人工智能医学成像技术领域，具体为一种基于多维信息融合网络的X[0003]X射线诱发声学计算机断层扫描(XACT)是一种基于X射线激发热声效应的混合成通过单个X射线脉冲实现对目标的三维重建，从而在很大程度上减少体内3D成像所需的辐[0005]由于BP算法具有简单高效的特点，通常使用BP算法将XA信号重构为初始声压分前现有的X射线热声图像重建方法的主要问题是很难同时兼顾X射线热声图像的重建分辨5[0008]本发明的目的在于提供一种基于多维信息融合网络的X射线热声成像方法，以解MFF_NET，依次完成不同采样环境下的超声波信号到高质量X射线热声图像重建训练任务，[0018]X射线放疗中产生的声压与所给剂量存在转化关系，根据转化关系将放疗计划中的辐射剂量分布转化为经X射线放疗后产生的[0019]预设图像分辨率，在k_Wave中模拟不同传感器个数和感器阵列形状下的采样过[0020]将初始声压分布预设在所述传感器阵列的扫描区域内，[0022]进一步地，所述S2中的端到端的多维信息融合网络模型MFF_NET包括左侧的信号声换能器个数i×采样点数w，提取的特征通过一个全连接层还原成128×128大小的特征[0024]所述的编解码器U_net的下采样块中包含两个连续的卷积块和一个大小为2×2，ReLu激活函数组成，所述的编解码器U_net的上采样块中包含两个与下采样块中一致的卷6[0029]其中经所述图像特征融合模块后的特征与所述信号提取模块中解码器U_net相同[0031]以所述超声波仿真信号数据集中的超声波信号和经FBP重建的X射线热声图像作[0036]采用均方根误差作为损失函数来监督网络的训练，对最终输出的X射线热声图像模拟不同采样情况下的X射线诱发的超声波仿真信号，构建端到端的多维信息融合网络模7MFF_NET，依次完成不同采样环境下的超声波信号到高质量X射线热声图像重建训练任务，8量系数相乘获得X射线放疗后的初始声压分布，将得到的初始声压分布作为数据集中的标拟不同采样条件下的超声波仿真信号，将S1中得到的初始声压分布预设在图2中的传感器信号中提取的特征和从图像中的特征之间的[0067]信号特征提取模块由一个双向长短期记忆神经网络BiLSTM和编解码器U_net构[0068]图像特征提取模块，采用FBP将X射线诱发的超声波信号重建的初始X射线热声图[0070]其中Ti表示第i个编码器stage展平后的patch，Ei表示n个不同尺度的编码器[0071]在这些Token上使用连续的通道交叉注意力和空间交叉注意力机制，捕获远距离征fi0进行1×1的卷积操作来统一不同尺度特征的通道数，然后应用空间和通道注意力机[0073]f'-Fto'(f")[0074]这里fi1表示为第i个级别后的特征图，和i'表示空间和通道注意力机制9[0079]其中经特征融合模块后最终输出的特征与的信号提取模块中解码器相同大小的[0081]以超声波仿真信号数据集中的超声波信号作为信号特征提取模块的输入，通过[0086]对最终输出的X射线热声图像和图像特征提取模块的输出皆采用均方根误差来监[0090]具体地，将放疗下的X射线诱发的超声信号输入训练好的X射线热声图像重建模[0093]根据声压与剂量的关系，将模型预测