CN114723729B 基于Transformer的MPI图像重建方法 （中国科学院自动化研究所）

号重建MPI图像的生物体的生物病灶模型，并将包裹SPIOs的靶向分子注射到该生物病灶模型中；注射后，利用MPI设备对所述生物病灶模型进行信号采集，得到SPIOs的靶向分子对应的响应电Transformer神经网络重建出生物体内的SPIOs2S100，构建待重建MPI图像的生物体的生物病灶模型，并其中，所述Transformer神经网络基于时域编码器和双层的单向Transf2.根据权利要求1所述的基于Transformer的MPI图像重建方法，其特征在于，所述A500，将双层的单向Transformer编码器提取的特征向量输入全连接层，得到重建的利用Debye仿真算法对SPIOs分布4.根据权利要求2所述的基于Transformer的MPI图像重建方法，其特征在于，所述Transformer神经网络其在训练3其中，所述Transformer神经网络基于时域编码器和双层的单向Transf所述存储器存储有可被所述处理器执行的指令，所述指令用于被所现权利要求1-4任一项所述的基于Transformer的MP7.一种计算机可读存储介质，其特征在于令，所述计算机指令用于被所述计算机执行以实现权利要求1-4任一项所述的基于4[0002]近年来，作为一种新型的分子影像，磁粒子成像技术(MagneticParticle顺磁性氧化铁粒子(Superparamagneticironoxideparticles，SPIOs)在高梯度磁场内成像等方面得到了成功应用。[0003]目前MPI图像重建方法主要包括基于系统矩阵求解逆问题和基于X-space映射两矩阵重建方式不同，基于X-space的重建算法通过对SPIOs的时域响应信号进行速度补偿、[0004]为了解决现有技术中的上述问题，即为了解决传统MPI数学模型重建精度低及鲁5为D维向量表示xreR⃞",i=1,2,…n,作为第一向量；[0014]A400，通过双层的单向Transformer编码器对增加标志位的第一向量进行特征提Y分别代表真值MPI图像和重建MPI图像，μy和Y分别代表y和的平均将包裹SPIOs的靶向分子注射到该生物病被所述处理器执行以实现上述的基于Transformer的MPI6存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于[0033]1)本发明基于数据驱动的机器学习理论，利用神经网络直接学习SPIOs在无磁场MPI深度学习算法所用训练数据集在数量和仿真精度上的限[0035]3)本发明克服了传统MPI重建算法处理频域信号的相位估计困难问题，直接对时[0036]4)本发明所使用Transformer编码器中的注意力机制具有无视序列内部距离的特[0040]图3是本发明一种实施例的Transformer神经网络的训练过程以及应用过程的流[0043]图6是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统7[0053]在下述实施例中，先对Transformer神经网络的训练过程进行阐述，在对基于[0058]在本发明中，Transformer神经网络包括时域编码器和Transformer编码器两部和Transformer编码器的具体结构为D维向量表示xiER⃞",i=1,2,…n,作为第一向量；将时域电压信号分为长度为L的n个序列片段，然后通过一维卷积将其编码为D维向量表示[0062]A400，通过双层的单向Transformer编码器对增加标志位的第一向量进行特征提[0065]将时域编码器得到的输出(即第一向量)前加上一个标志位CLS，作为整个向量表示的表征，然后将信号的向量表示与其位置编码拼接得到Transformer编码器的输入；其8输入随机初始化分配了h个自注意力层用以从多个维度计算信号序列中的隐含信息，即对[0070]其中，y和分别代表真值MPI图像和重建MPI图像，μy和分别代表y和的平均[0080]本发明基于数据驱动的神经网络方法，直接学习SPIOs在无磁场区域中的再磁化9[0082]所述病灶模型构建模块100，配置为构建待重建MPI图像的生物体的生物病灶模述处理器执行以实现上述的基于Transformer的MPI其可以根据存储在只读存储器(ROM，ReadOnlyMemory)602中的程序或者从存储部分608和处理。在RAM603中，还存储有系统操作所需的各种程序和数据。CPU601、ROM602以及[0095]可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算更改或替换之后的技术方案都将落入本发明的保护范