(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211204706.0 (22)申请日 2022.09.30 (71)申请人 慧创科仪 （北京） 科技有限公司 地址 100080 北京市海淀区中关村东路6 6 号2号楼8层090 5室 (72)发明人 汪待发　武迪　汪恭正　赵小静　 (74)专利代理 机构 北京金信知识产权代理有限 公司 11225 专利代理师 夏东栋 (51)Int.Cl. G06T 17/00(2006.01) G06T 7/70(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) A61B 5/00(2006.01) (54)发明名称 光学传输参数空间分布的重建方法、 装置、 系统及介质 (57)摘要 本申请公开了一种光学传输参数空间分布 的重建方法、 装置、 系统及介质。 重建方法包括在 待测区域表面 以高密度拓扑结构布设光源和光 源探测器， 使每个光源与多个光源探测器之间形 成多个探测通道， 且每个光源与多个光源探测器 间存在不同间距。 在待测区域不包含吸收体的情 况下获取待测区域的初始光学传输参数与初始 出射光参数之间的映射关系； 在存在吸收体的情 况下基于光学传输参数的变化量和出射光参数 的变化量构建训练样本； 利用训练样本和基于映 射关系确定的损失函数训练深度学习模型， 使其 能够对待测区域的光学传输参数空间分布在不 同深度上进行高准确度、 高空间分辨率的三维重 建， 得到高密度、 高质量的三维图像 。 权利要求书2页 说明书14页 附图9页 CN 115272590 A 2022.11.01 CN 115272590 A 1.一种光学传输参数空间分布的重建方法， 其特 征在于， 所述重建方法包括： 确定待测区域， 所述待测区域的表面形成有由光源和光源探测器构成的拓扑结构， 其 中， 所述光源用于向所述待测区域 发射光， 所述光源探测器用于探测出射光， 所述拓扑结构 被构造为： 每个所述光源与多个所述光源探测器之间形成有探测 通道， 且每个所述光源与 多个所述 光源探测器之间存在不同间距； 在所述待测区域不包含吸收体的情况下， 获取所述待测区域的初始光学传输参数与初 始出射光参数之间的映射关系； 在所述待测区域内存在 吸收体的情况下，  基于所述待测区域的光学传输参数的变化 量和出射光参数 的变化量来构建训练样本， 其中， 所述吸收体对所述光源发射的光具有吸 收作用； 利用所述训练样本对所构建的深度学习模型进行训练， 具体包括： 基于所述深度学习模型输出的光学传输参数的变化量的预测值和所述映射关系来确 定第一损失函数， 利用所述第一损失函数来对所述深度学习模型进行训练； 利用训练好的深度学习模型来对待测区域的光学传输参数空间分布进行重建。 2.根据权利要求1所述的重建方法， 其特征在于， 在所述待测区域内存在吸收体的情况 下， 基于所述待测区域的光学传输参数的变化量和出射光参数的变化量来构建训练样 本， 具体包括： 在所述待测区域内放置从预设属性集合中选择属性的吸收体， 基于所述吸收体的属 性， 确定放置所述吸 收体前后所述待测区域的光学传输参数的变化 量， 其中， 所述吸收体的属性包括数量、 尺寸、 吸收系数以及其位于所述待测区域内的位置中的 至少一种； 基于所述光学传输参数的变化量和所述映射关系， 计算出射光参数的变化量， 并将所 述出射光参数的变化 量及其对应的光学传输参数的变化 量作为所述训练样本 。 3.根据权利要求2所述的重建方法， 其特征在于， 各个所述吸收体具有单一的吸收系 数， 所述重建方法进一 步包括： 在所述待测区域内存在多个所述吸收体， 且各个所述吸收体存在交叠的情况下， 确定 存在交叠的各个吸收体中具有较大吸收系数的吸收体， 并将该吸收体的吸收系数作为交叠 部分的吸 收系数。 4.根据权利要求1 ‑3中任一项所述的重建方法， 其特征在于， 基于所述深度学习模型输 出的光学传输参数的变化 量的预测值和所述映射关系来确定第一损失函数 具体包括： 基于所述深度 学习模型输出的光学传输参数的变化量的预测值和所述映射关系， 确定 对应的出射 光参数的变化 量的预测值； 将所述出射光参数的变化量的预测值和所述训练样本中出射光参数的变化量的均方 误差作为第一损失函数。 5.根据权利要求1 ‑3中任一项所述的重建方法， 其特征在于， 利用所述训练样本对所构 建的深度学习模型进行训练进一 步包括： 将所述训练样本 中的出射光参数的变化量作为深度 学习模型的输入， 以得到所述深度 学习模型输出的光学传输参数的变化量的预测值， 并将训练样本中的光学传输参数的变化 量作为地面真值；权　利　要　求　书 1/2 页 2 CN 115272590 A 2将所述深度学习模型输出的光学传输参数的变化量的预测值和所述地面真值的均方 误差作为第二损失函数； 将所述深度学习模型输出的光学传输参数的变化量的预测值和所述地面真值的平均 绝对误差作为第三损失函数； 基于包括所述第 一损失函数、 所述第 二损失函数以及所述第 三损失函数在内的组合损 失函数对所构建的深度学习模型进行训练。 6.根据权利要求5所述的重建方法， 其特征在于， 基于包括第所述第一损 失函数、 所述 第二损失函数以及所述第三损失函数在内的组合损失函数对所构建的深度学习模型进行 训练进一 步包括： 将所述第一损失函数的权重设置为大于所述第二损失函数和所述第三损失函数的权 重， 利用加权后的组合损失函数对所构建的深度学习模型进行训练。 7.根据权利要求1 ‑3中任一项所述的重建方法， 其特征在于， 所述深度 学习模型基于至 少一个卷积层、 特 征提取骨干网络、 全连接网络依序串联而构成， 其中， 所述至少一个卷积层用于对输入所述深度学习模型的出射光参数的变化量矩阵进行 特征提取； 所述特征提取骨干网络由集成了压缩和激励模块的残差神经网络构 成， 用于为所提取 的特征分配注意力权 重并输出 带有注意力权 重的特征； 所述全连接网络具有与所述待测区域中的体素数量相同的节点数量， 用于基于所述带 有注意力权 重的特征， 对所述待测区域内各个 体素的光学传输参数的变化 量进行预测。 8.根据权利要求1 ‑3中任一项所述的重建方法， 其特征在于， 利用训练好的深度 学习模 型来对待测区域的光学传输参数空间分布进行重建进一 步包括： 获取受检者在脑部生理状态发生变化情况下相对其在静息态下的出射光参数的代表 性变化量， 其中， 所述待测区域 为受检者的目标头 部区域； 将所述出射光参数的代表性变化量输入到训练好的所述深度学习 模型， 以获取所述待 测区域的光学传输参数的变化量的预测值， 作为重 建后的所述待测区域的光学传输参数空 间分布。 9.根据权利要求8所述的重建方法， 其特征在于， 所述光学传输参数为近红外光的光学 传输参数， 所述重建方法进一 步包括： 基于重建后的待测区域的光学传输参数空间分布， 生成重建后的待测区域在不同组织 深度的三维近红外脑 功能图像。 10.一种光学传输参数空间分布的重建装置， 其特征在于， 所述重建装置至少包括处理 器和存储器， 所述存储器上存储有计算机可执行指令， 所述处理器在执行所述计算机可执 行指令时执 行如权利要求1 ‑9中任一项所述的光学传输参数空间分布的重建方法。 11.一种近红外脑功能成像系统， 其特征在于， 包括近红外光学数据采集装置和如权利 要求10所述的光学传输参数空间分布的重建装置； 所述近红外光学数据采集装置包括头帽， 所述头帽上设置有用于向受检者的目标头部 区域发射近红外光的光源， 以及用于 探测出射近红外光的光源探测器。 12.一种存储有程序的非暂时性计算机可读存储介质， 所述程序使得处理器执行如权 利要求1‑9中任一项所述的光学传输参数空间分布的重建方法的操作。权　利　要　求　书 2/2 页 3 CN 115272590 A 3