换一批基于卷积自编码器模型的脑血流阻抗图像重建方法研究
Convoutional auto-encoder model-based cerebral blood flow impedance image reconstruction method
摘要目的:针对脑血流阻抗图像重建过程中灵敏度矩阵的病态性问题,提出一种结合卷积自编码器(convolutional auto-encoder,CAE)与U-Net++网络的图像重建方法.方法:首先,通过引入U-Net++网络中的密集跳跃连接优化CAE模型,增强对灵敏度矩阵中微弱特征的感知能力.其次,结合U-Net++网络中的特征融合机制,实现CAE模型中编码器和解码器的多尺度融合,提高特征传递效率.最后,采用仿真数据进行预训练,并采用卷积神经网络(convolutional neural networks,CNN)进行电导率预测,实现图像的高精度重建.为验证提出的方法的有效性,选取5个有代表性的血流变化区域进行图像重建,并与吉洪诺夫正则化(Tikhonov)方法、共轭梯度(conjugate gradient,CG)方法的重建结果进行比较.结果:与Tikhonov方法和CG方法相比,提出的方法的重建结果在5个脑区下的平均相对误差平均降低了56.96%和53.05%、相关系数平均提高了19.37%和5.79%.此外,提出的方法的重建结果在5个脑区下的结构相似度指数平均值>0.757,与其他2种方法相比有显著的提升.结论:提出的方法能够准确地反映脑区血流变化的大小和位置,提升了重建图像的精度与质量,为脑血流阻抗图像的精确重建提供了有效的解决方案.
更多相关知识
关键词
脑血流阻抗成像图像重建卷积自编码器U-Net++网络卷积神经网络cerebral blood flow impedance imagingimage reconstructionconvolutional auto-encoderU-Net++networkconvolutional neural network
栏目名称
DOI
10.19745/j.1003-8868.2025174
发布时间
2025-10-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（52077143）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
