基于深度卷积编解码网络的fNIRS成像技术研究

在功能性近红外光谱(fNIRS)成像技术的实现中,扩散光学层析成像(DOT)具有改善定量性和分辨率的巨大潜力,但其效果受制于生理干扰(呼吸、心跳和低频振荡等)、检测系统的随机噪声以及有限测量数据量带来的不适定性。为增强fNIRS-DOT成像的性能,本文提出了一种基于模型先验信息的深度卷积编解码网络重建方法,利用分层半三维重建算法实现对表层和深层脑血氧变化信息的初步区分,发挥卷积、编解码网络对空间特征的学习能力,实现对深层脑激活信息的提取重建。为验证所提重建方法的有效性,开展了数值模拟和仿体实验,并将其与传统重建方法进行对比。结果表明,所提重建法不仅可以显著提高重建精度,极大地缩短重建时间,而且具有优异的泛化能力,为实现动态fNIRS成像提供了重要参考。