CN101564294B - 一种结构信息融合的电阻抗断层成像方法 - Google Patents

Abstract

本发明公开了一种结构信息融合的电阻抗断层成像方法。该方法通过提取成像目标内部结构信息，将其转换成电阻抗断层成像所需的先验信息，结合所得先验信息进行电阻抗断层成像，重构出结构信息融合的电阻抗断层图像来实现其功能。该方法实现结构图像与电阻抗图像的融合成像，提高了电阻抗图像作为功能图像的准确性，改善图像的分辨率，同时有助于使用者对电阻抗图像的分析。

Description

一种结构信息融合的电阻抗断层成像方法

技术领域

本发明涉及一种通过电阻抗断层成像(Electrical Impedance Tomography，EIT)技术来获取待测体内部阻抗分布图像的方法，特别涉及结构信息融合的电阻抗断层成像方法。

背景技术

电阻抗断层成像(Electrical Impedance Tomography，EIT)技术是通过在待测体表面施加一微弱的交流电激励，从相应的检测电极中检测被测区域边界的电压分布，通过算法重构，得到待测体被测区域内部的电阻抗分布图像或者电阻抗变化的分布图像，当待测体为生物体时，进而可反应生物体内部组织电阻抗特性改变及组织功能性改变。中国专利99115855.5号，题为《一种电阻抗断层成像方法》，中国专利03134598.0号，题为《一种用于床旁图像监护的电阻抗断层成像方法及其装置》，对于此种技术方案进行了详细披露，全文结合于此作为参考文献。EIT技术具有成像设备小型，成本经济，无害，重复可实时成像的优点，同时，将EIT技术应用在生物体上，可通过监测生物体内部的阻抗变化来反应生物体内组织的功能学改变，具有功能成像的特点。

但是，现有的为工业设计的EIT系统，待测体通常是拥有圆形、椭圆形等规则边界的监测对象，因此，图像通常也是拥有圆形、椭圆形等规则边界的图像，如专利CN200610013339.0《双模电成像系统传感器及基于该传感器的图像重建方法》，当监测对象为不规则边界时，通常采用共形变换的方法转换成规则形状，如专利CN200710057166.7《方形双模自标定传感器及基于该传感器的图像重建方法》。但在生物组织电阻抗监测应用领域，对象的边界肯定不可能为规则形状，其电极分布也很难做到等间隔，甚至在某些条件下还必须采用非等间隔分布的方式进行粘贴固定，此时利用圆模型或者椭圆模型进行计算必然增加重构计算误差，定位能力较差，制约了EIT技术的应用。

现有的EIT成像方法通常将初始电阻率分布近似为均匀分布，在EIT工业应用中，通过这种假设可简化计算，同时对重构影响较小，但当待测体内部结构较为复杂时，如在生物组织电阻抗监测应用领域，初始电阻率分布不可能是均匀的，且有时差异非常大，如人体头部，颅骨的电阻率比头皮或脑组织高出10～80倍，而脑脊液电阻率却仅为脑组织的5％～15％。组织电阻率的巨大差异，会增大重构计算误差，无法满足应用要求(Xuetao Shi et al.Pseudo-polar drive patterns for brain electrical impedance tomography.Physiological Measurement，2006.27(11)：p.1071-1080)(Ci Tang et al.Correlation between structure and resistivity variations of the live human skull.IEEE Trans Biomed Eng.2008.55(9)：2286-2292)。

目前，临床医院和实验室已经拥有多种无创的可对生物体内部的结构信息进行成像的手段，包括：计算机X线断层成像(CT)，磁共振成像(MRI)，超声成像，X线摄影成像及其它衍生而来的成像方法，他们所成图像统称解剖结构图像，具有结构分辨率高的特点，但他们都无法对一些组织功能性改变的过程进行长时间的实时监测。而现有的EIT图像在医学领域是一种功能图像，可用来反映生物体的功能信息，却又无法提供准确的结构信息，因此现有EIT图像无法给出功能性改变区域的具体结构位置等信息，制约了EIT技术在医学领域的应用。

综上所述，在应用EIT方法的过程中，当待测体内部结构较为复杂，电导率分布不均匀时，比如对生物体进行监测时，确定待测体的边界形状、边界上电极固定位置、内部大致结构分布，并估计出电导率的初始分布是决定成像是否准确的关键因素，另外，对定位的要求也需要进一步的提高。

目前在电阻抗断层成像领域，还没有一个可以提供一套完整的将结构信息融合到电阻抗断层成像中技术方案披露。

因此，在本领域中就需要这样一种可以为EIT成像设备提供待测体边界及内部结构信息；可以为EIT成像提供先验信息，先验信息包括但不仅限于：区域边界，电极所在位置，区域内部结构，各结构电阻率初始分布的估计等；可以基于先验信息进行EIT成像，使得重构更准确；可以将先期获得的结构信息与重构出来的阻抗功能信息进行融合，也即将结构图像与阻抗功能图像进行融合，使得信息更丰富；可以保存、打印结构信息融合的EIT图像，以便用于分析的方法及装置。

发明内容

本发明的目的是提供了一种能克服了在本领域中存在的缺陷，提高电阻抗图像的成像精确度和定位能力，方便图像分析的结构信息融合的电阻抗断层成像方法。

为实现上述目的，本发明提供了如下的技术方案：

1)首先将定标物粘贴于待测体表面电阻抗测量电极粘贴处并对电极位置进行定标；

2)然后通过结构成像装置对待测体进行结构成像，通过结构信息采集装置采集结构成像装置测得的结构图像并输出到EIT系统中；

3)由EIT系统将结构信息采集装置采集的结构图像通过前处理提取EIT的先验信息并将提取好的先验信息保存到EIT系统内；

4)由EIT系统读取已提取的先验信息，根据采集的实时阻抗测量数据重构出基于先验信息的EIT图像；

5)最后EIT系统将采集的结构图像和重构出的基于先验信息的EIT图像进行融合得到结构信息融合的EIT图像；并由EIT系统保存、打印所得的结构信息融合的EIT图像。

本发明的电阻抗测量电极位置定标是采用光学和电磁学六维位置传感器获得电阻抗测量电极粘贴处的位置；

结构图像包括CT图像、MRI图像、SPECT图像、PET图像、超声图像或者上述图像相互配准融合而成的图像；

前处理包括提取待测体边界，提取电极粘贴处位置，对待测体内部结构进行分割，提取待测体各结构内部的电阻抗初始分布信息从而得到先验信息即待测体边界信息，电极粘贴处位置信息，待测体内部结构边界信息，待测体各结构内部的电阻抗初始分布信息；

实时的阻抗测量包括各种激励和测量模式的组合；

所述的重构出基于先验信息的EIT图像包括如下步骤：

1)根据待测体边界信息、内部结构边界信息和电极位置进行剖分；

2)根据电极位置、内部电阻抗初始分布信息，通过有限元方法生成敏感矩阵S；

3)采用加权最小阻尼二乘法进行阻抗图像的重构得电阻抗矩阵或电阻抗变化的矩阵；

4)对所重构出的电阻抗矩阵或电阻抗变化的矩阵采用可视化的形式结合先验信息进行实时的图形化显示得到结构信息融合的EIT图像；

图形化显示的EIT图像为二维和三维图像、灰度的或伪彩的图像，EIT图像通过调整阻抗窗宽窗位来改变灰度值和电阻抗矩阵的映射关系；

EIT图像融合根据感兴趣区划分阈值不同来改变图像透明度。

本发明的有益效果是可以实现结构信息融合的电阻抗断层图像重建，具有如下优点：综合了结构信息与功能信息；提高了准确性；提高了图像质量；提高了分析能力。

附图说明

图1为本发明的简要示意装置模块图；

图2为本发明的以CT图像作为结构图像融合的电阻抗断层成像装置配置图；

图3为本发明的以CT图像作为结构图像融合的电阻抗断层成像流程图；

图4为本发明的以MRI图像作为结构图像融合的电阻抗断层成像流程图；

图5为本发明的前处理方法示意图及其结果。

图6为本发明的基于先验信息的EIT重构方法流程图；

图7为本发明的基于先验信息的剖分结果；

图8为本发明的基于先验信息的EIT重构结果；

图9为本发明的CT图像融合的EIT成像结果；

具体实施方式

为了使本领域技术人员可以更容易理解本发明，以及更清楚的理解本发明的目的，下面结合附图及实施例对本发明作进一步详细说明。

实施例1，参照图1和图2，本实施例所需装置包括用于检测待测体实现结构成像的CT机301即结构信息采集装置采集图像，数字图像化扫描仪302，电阻抗断层成像系统(EIT)303，电阻抗断层成像专业电极及电极带304，胶片打印机305，光盘刻录机306和CT定标物307。

在本发明实施例中，待测体为人体胸部横断面区域，结构成像采用分辨率较高的CT图像。结构信息采集装置为可扫描CT片的数字化图像扫描仪，图像输出装置为可打印CT片的胶片打印机。

在实施例的流程如图3所示。

首先确定人体胸部表面EIT电极粘贴处，确定后将CT定标物307粘贴于电极粘贴处，然后通过CT机301对人体胸部进行CT扫描成像，在扫描出来的CT片中可以看见胸部外轮廓，肺、心脏等器官的位置和轮廓边界，并可以看到体表粘于电极位置处的CT定标物，得到CT片后，使用数字化图像扫描仪器302扫描CT片并将扫描好的数字化CT图像输入到EIT系统303中，EIT系统获取CT图像后，通过前处理技术来获得EIT重构所需的先验信息，包括人体胸部外边界轮廓，EIT电极粘贴位置，胸部内部肺、心脏等组织器官的内边界轮廓，并根据已知的组织电阻率来估计出初始电阻率分布情况，在人体胸部对应位置粘贴安装EIT测量电极304，EIT系统开始采集EIT数据，并基于已有的先验信息，重构出基于先验信息的EIT图像，再将已获得的CT图像和重构出的基于先验信息的EIT图像进行融合显示，并供保存、分析使用，同时，本发明实施例还提供胶片打印机305和光盘刻录机306用于打印和刻录CT图像融合的EIT图像。

实施例2：在该实施例中，参照图1，图4所示，在本发明实施例中，待测对象为人体头部横断面区域，结构图像采用分辨率较高的MRI图像。结构信息采集装置为标准话医院信息系统网络(Hospital Information Systems，HIS)，图像输出装置为远程通讯网络。其流程如图4所示。用MRI采集人体头部MRI图像，EIT系统通过HIS系统直接读取该MRI图像并提取EIT先验信息，重构出MRI图像融合的EIT图像后，可通过远程通讯网络发送远程计算机进行分析，其余步骤与实施例1相同。

实施例3：在该实施例中，参照图1，图2和图3所示，在本发明实施例中，并不粘贴CT定标物，而采用光学或电磁学六维位置传感器直接获得电极粘贴处的位置信息，并输入到EIT系统中作为先验信息来使用。其余步骤与实施例1相同。

下面，对本发明中各优选实施例中共有的处理方法做进一步详细说明。

前处理方法

本发明所述EIT前处理方法是指从结构图像中提取EIT先验信息的方法，EIT先验信息包括但不限于待测体边界信息，电极粘贴处位置信息，待测体内部结构边界信息，估计出的待测体各结构内部的电阻抗初始分布信息等。

本发明以MRI图像为例介绍了一种通用的、噪声背景条件下脑部EIT成像先验信息的获取方法，其先验信息主要包括两部分：一、头部成像断面区域的准确边界形状，二、头部内部不同组织的结构分布。其采用的具体算法分别是Kalman滤波的星形算法(Star algorithm)和模糊C均值聚类(FCM algorithm)分割算法，如图5所示。

星形算法一般用来跟踪单个简单目标的运动。这个算法首先用某种边缘检测算子沿着一组辐射线方向来检测目标边缘，其检测中心的种子点是目标内的某一点。每次检测完边缘点后，利用所有所检测的边缘点重新计算质心，再将这个质心置为新的种子点再进行新的边缘点的检测，直到迭代前后两次的种子点距离小于某一阈值时，认为收敛，其收敛时的边缘点视为最后的边缘。尽管星形算法在噪声较小的情况下能够有效的提取简单目标的边缘，但它在噪声较强的情况下，稳定性相对较差，同时这个算法也没有考虑到目标边缘的连续性，也就是后一条辐射线边缘的检测与前一条辐射线边缘检测的结果无关，因此，实际应用中效果并不理想。可以采用空间Kalman滤波的方法对此问题加以改进。

对于星形算法来说，可以认为其符合Kalman滤波的条件，一般的，设系统的状态方程和测量方程分别为：

d(k)＝Ad(k-1)+BU(k-1)+W(k-1)

z(k)＝Hd(k)+V(k)

其中，d(k)是沿第k条辐射线所检测的边缘点到中心点距离。根据星形检测算法，可以假定测量系统不受其它控制参量的影响，则系统控制量U(k)的系数矩阵B＝0，在角度变化很小的情况下，可以认为边缘是平滑的，即系统状态参数d(k)的系数矩阵A＝1，在边缘检测中我们无法通过直接测量获到z(k)，因此只能通过构建一个模型，使得测量方程中系数矩阵H＝1，即上式被简化为：

d(k)＝d(k-1)+W(k-1)

z(k)＝d(k)+V(k)

定义

表示根据第k条辐射线测量值z(k)计算得到的d的估计值，表示根据第k-1条辐射线的最优估计值

经过计算得到的第k条辐射线的估计值，根据Kalman滤波器的原理，上式可化为：

$\hat{d}\left(k\right|k-1)=\hat{d}(k-1|k-1)$

$\hat{d}\left(k\right|k)=\hat{d}\left(k\right|k-1)+K\left(k\right)(z\left(k\right)-\hat{d}\left(k\right|k-1))$

其中K(k)是Kalman滤波器的增益，z(k)的构建方法如下：

如图5所示，对于某一条辐射线上的每一个点，使用星形算法的边缘检测算子，然后从这条辐射线上选取m个有最大边界值的点作为疑似边界点，定义r_i(k)表示第k条辐射线上第i个疑似边界点到中心点的距离。并假设每一个疑似边界点在实际边界左右符合正态分布f_i(k)，则可以根据疑似边界点在实际边界上的概率来设置它们各自的权重p_i(k)，于是有：

$z\left(k\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r}_i\left(k\right)p_i\left(k\right)$

$p_i\left(k\right)=\frac{f_i\left(k\right)}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_i\left(k\right)}$

$f_i\left(k\right)=\frac{1}{\sqrt{2\mathrm{\πS}\left(k\right)}}{e}^{\left(\frac{-{(r_i\left(k\right)-\hat{d}\left(k\right|k-1))}^2}{2S\left(k\right)}\right)}$

其中S(k)为疑似边界点分布的方差。

FCM分割算法总体思路是寻求一个隶属度函数u_k和一个聚类中心v_k使得下面的目标函数最小：

$J_{\mathrm{FCM}}=\underset{i,j}{\mathrm{\Σ}}\underset{k=1}{\overset{C}{\mathrm{\Σ}}}{u}_k{(i,j)}^q{\left|\right|y(i,j)-v_k\left|\right|}^2$

其中C为图像的分割总类别，y(i，j)为图像的像素灰度值，u_k(i，j)为像素(i，j)在第k类中的隶属度，v_k为聚类中心。参数q是对每一类聚类函数的权重指数，为了简化，假设q＝2，而||·||符号代表标准的欧几里德距离。具体迭代实现的步骤如下：

a、给各个变量设初始值，设置迭代收敛条件ε，可以通过直方图的方法设置初始的聚类中心。

b、计算第t次迭代的隶属度

$u_k^t(i,j)=\frac{1}{\underset{l=1}{\overset{C}{\mathrm{\Σ}}}{\left(\frac{\left|\right|y(i,j)-v_k^t}{\left|\right|y(i,j)-v_l^t}\right)}^2},k=\mathrm{1,2},...,C$

c、计算第t+1次迭代的聚类中心

$v_k^{t+1}=\frac{\underset{i,j}{\mathrm{\Σ}}{u}_k^t{(i,j)}^{2}y(i,j)}{\underset{i,j}{\mathrm{\Σ}}{u}_k^t{(i,j)}^2},k=\mathrm{1,2},...,C$

d、若

则迭代收敛，结束。否则进入步骤b，开始下一次迭代。

上述算法收敛后，得到的是各个像素在相应类别中的隶属度u_k(i，j)，有

将像素赋给其隶属度最大的那个类中，则得到一个最大隶属度的硬分割图像。

利用标准FCM算法对MRI图像进行分割时，首先利用第一步Kalman滤波的星形算法所得到的边界点确定的头部边界，将边界以外的背景进行剔出，只对边界内部组织进行处理，再根据背景噪声情况，使用某一低通滤波器或中值滤波器对边界内部图像进行滤波，然后再采用FCM算法进行分割。如图6所示，可见提取的头部目标区域的边界信息和内部结构信息，再根据离体组织的电导率便可估计出所在位置的电导率初始分布情况，获得了EIT图像重构所需的先验信息。

基于先验信息EIT图像重构方法

EIT边界电压和电导率的关系可标示为：

Δv＝SΔρ

其中Δv为归一化电压变化，Δρ为归一化电导率变化，S为敏感矩阵，它表示Δv与Δρ之间的敏感关系，其矩阵元素为：

$S_{\mathrm{ij}}=\underset{{\mathrm{\Ω}}^j}{\∫}\▿Q_v^i\·{\mathrm{\Φ}}_v^i\mathrm{dv}$

这里，i表示第i次的电流激励和电压测量，j表示第j个剖分单元，上式右端是对该单元的体积分，下标v表示电导率均匀分布时的量，为第i对激励电极注入电流后在区域内形成的电位梯度，

为第i对测量电极注入电流后在区域内形成的电位梯度。由上式可得：

$\mathrm{\Δ}\widehat{\mathrm{\ρ}}=S^{-1}\mathrm{\Δv}$

则通过边界测量电压的变化量计算出区域内扰动电导率的分布，此即为EIT重构的基本原理。由于敏感矩阵S是病态的，无法直接求逆，必须进行正则化处理。在图像重构时，由于逆问题的病态性，微小的误差都会导致所求解的巨大变化，容易受各种噪声的影响。通常采用正则化的方法引入一定的先验条件来克服这个问题。根据加权阻尼最小二乘原则，其求逆过程可表示为：

$\mathrm{\Δ}\widehat{\mathrm{\ρ}}{[S^T\mathrm{WS}+\mathrm{\λR}]}^{-1}{S}^T\mathrm{W\Δv}$

其中W为权矩阵，R是正则化矩阵，λ是正则化参数，正则化参数通常用来控制解的稳定性与准确性之间的平衡。激励测量模式、电极的位置以及场域的边界外形都直接影响矩阵S的计算与求逆的过程。在本发明中，通过前处理方法已获得了EIT重构所需的先验信息，包括待测体边界信息、内部结构边界信息和电极位置等。如图6所示，基于先验信息的EIT图像重构步骤包括以下几个步骤：

1)根据待测体边界信息、内部结构边界信息和电极位置进行剖分；

2)根据电极位置、内部电阻抗初始分布信息，通过有限元方法生成敏感矩阵S：

3)采用加权最小阻尼二乘法对测量数据Δv进行重构获得阻抗向量

4)对所重构出的阻抗向量

采用可视化的形式进行实时的图形化显示。

对于基于待测体几何边界的自适应剖分，本发明一个优选实施例是采用推进波前法与Delaunay三角化法相结合的方法，其基本流程是，首先离散待剖分域的边界，离散后是首尾相连的线段的集合，这种离散后的域边界称为前沿；然后从前沿开始，依次插入一个节点，并连接生成一个新的单元；更新前沿，这样前沿即可向待剖分域的内部推进。这种插入节点、生成新单元、更新前沿的过程循环进行，当前沿为空时表明整个域剖分结束。对于无法完成全域推进剖分的区域以及局部密剖区域采用Delaunay三角化法方法进行剖分。在这个过程中利用单元尺寸长度，使网格的疏密分布在生成过程中得到控制。这种方法对复杂的几何形状与边界的三角形网格生成具有很大的灵活性及可靠性。如图7所示，可见小猪腹部的剖分结果。

完成剖分后，根据前处理结果设置先验的电导率信息，采用有限元方法计算得

到基于先验信息的敏感矩阵S，然后采用加权阻尼最小二乘法，重构出基于先验信息的电阻率

在进行重构时，需要对正则化参数进行选择，本发明一个优选实施例中的选择原则如下：

(1)噪声水平先验原则：

所谓噪声水平先验原则是指在正则化方法相同，剖分规模相当，目标信号水平相当的情况下，正则化参数大小的选择主要与噪声水平有关。对此我们先在仿真模型上得到一系列不同噪声水平对应的最优正则化参数，我们称为噪声水平先验的正则化参数。在实际的重构中，先采集一段背景数据，分析数据的噪声水平，根据这个实测的噪声水平自适应的选择最优的正则化参数。

(2)位置先验原则：

由于EIT是一个非线性的问题，电流在体内具有发散效应，因此，中心电导率的变化对边界电压值影响最小，相同变化大小的目标所处的位置不同就决定了由它导致的边界测量信号水平大小的不同。也就是说，在电阻率扰动一样多的情况下，目标信号水平则由扰动位置所决定。所谓位置先验原则是指在正则化方法相同，剖分规模相当，噪声水平相当的情况下，正则化参数大小的选择主要与位置有关。对此我们先在仿真模型上得到一系列不同位置目标对应的最优正则化参数，通常不同位置与最优正则化参数之间是有一个近似的线性关系的。在实际的重构中，为了确保成像的稳定性，通常选取中心位置处的正则化参数作为默认重构参数，在有扰动位置先验信息的情况下，可根据扰动位置先验信息和已得到的线性关系来修正默认的重构参数，自适应的选择出位置先验的最优正则化参数。

完成电阻率

重建后，需要将内部电阻率变化值映射成图像。设经重建计算得到的电阻率数据为ρ[k]，其中k＝1～M，M为重建单元素的总数目。并记ρ_max和ρ_min为ρ[k]的最大值和最小值，ρ[k]可按下式线性转换为灰度值矩阵g[k]：

$g\left[k\right]=255\×\frac{\mathrm{\ρ}\left[k\right]-{\mathrm{\ρ}}_{\min }}{{\mathrm{\ρ}}_{\max }-{\mathrm{\ρ}}_{\min }}$

于是，重建所得到的阻抗变化量被映射为灰度值，在各个重建元素所在场域位置以其对应灰度值进行色彩填充，即可生成一幅二维图像。其中，阻抗最大增加量映射为灰度255，显示为白色；阻抗最大降低量映射为灰度0，显示为黑色。

在实际监测中，为增强显示效果，还可将灰度图像转换为伪彩图像，即将灰度值g根据一定转换关系换算成彩色图像的RGB值。同时还可以以等高线云图的方式显示。

如图8所示，为小猪腹部肾区出血的重构图像。

结构信息与EIT功能信息的图像融合方法

但基于先验信息的EIT图像重建出来后，本发明还可以将已获得的结构信息图像与EIT功能信息图像进行融合，使得两种图像显示在同一位置，这样在融合后的EIT图像上可以清楚的看到只有在结构图像上才能看到的组织和器官，可清楚的看到由于阻抗变化所反映的组织功能性改变发生的具体部位，从而能够进行更有效的分析。

图像融合方法包括但不仅限于：

a.直接融合，通过控制两种图片的透明度进行融合；

b.分量插值叠加，用一幅图的色彩某一分量替换另一幅图的色彩分量；

c.空间插值叠加，用一幅图的色彩在某一位置上替换另一幅图的相同位置的色彩；

本发明一个优选实施例是采用直接融合法，可根据感兴趣区的不同，调节两幅的透明度，以期达到最佳的可视化效果。作为一个优选实施例，最终所得CT图像融合的EIT成像结果如图9所示。

以上对本发明及其实施方式的描述，并不局限于此，附图中所示仅是对本发明的实施方式之一。在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明保护范围。

Claims (5)

1.一种结构信息融合的电阻抗断层成像方法，其特征在于，包括下述步骤：

1)首先将定标物粘贴于待测体表面电阻抗测量电极粘贴处并对电极位置进行定标；

2)然后通过结构成像装置对待测体进行结构成像，通过结构信息采集装置采集结构成像装置测得的结构图像并输出到EIT系统中；

3)由EIT系统将结构信息采集装置采集的结构图像通过前处理提取EIT的先验信息并将提取好的先验信息保存到EIT系统内；

所述的前处理包括提取待测体边界，提取电极粘贴处位置，对待测体内部结构进行分割，提取待测体各结构内部的电阻抗初始分布信息从而得到先验信息，即：待测体边界信息，电极粘贴处位置信息，待测体内部结构边界信息，待测体各结构内部的电阻抗初始分布信息；

4)由EIT系统读取已提取的先验信息，根据采集的实时阻抗测量数据重构出基于先验信息的EIT图像；

所述的重构出基于先验信息的EIT图像包括如下步骤：

①根据待测体边界信息、内部结构边界信息和电极位置进行剖分；

②根据电极位置、内部电阻抗初始分布信息，通过有限元方法生成敏感矩阵S；

③采用加权最小阻尼二乘法进行阻抗图像的重构得电阻抗矩阵或电阻抗变化的矩阵；

④对所重构出的电阻抗矩阵或电阻抗变化的矩阵采用可视化的形式结合先验信息进行实时的图形化显示；

5)最后EIT系统将采集的结构图像和重构出的基于先验信息的EIT图像进行融合得到结构信息融合的EIT图像；并由EIT系统保存、打印所得的结构信息融合的EIT图像。

2.根据权利要求1所述的结构信息融合的电阻抗断层成像方法，其特征在于：所述的结构图像包括CT图像、MRI图像、SPECT图像、PET图像、超声图像或者这些图像相互配准融合而成的图像。

3.根据权利要求1所述的结构信息融合的电阻抗断层成像方法，其特征在于：实时的阻抗测量包括各种激励和测量模式的组合。

4.根据权利要求1所述的结构信息融合的电阻抗断层成像方法，其特征在于：所述的图形化显示采用灰度的或伪彩的二维或三维图像进行显示，通过调整阻抗窗宽窗位来改变灰度值和电阻抗矩阵的映射关系。

5.根据权利要求1所述的结构信息融合的电阻抗断层成像方法，其特征在于：所述的EIT图像融合根据感兴趣区划分阈值不同来改变图像透明度。

Images