CN102961137A - 一种基于分层重构的脑部电阻抗断层成像方法 - Google Patents

Abstract

本发明公开了一种基于分层重构的脑部电阻抗断层成像方法，该方法通过将头部模型进行分层处理，根据空间分布先验信息，将头部分层处理为头皮层Ω_scalp，颅骨层Ω_skull和颅腔层Ω_brain，引入约束矩阵D进行第一步分层重构

降低颅骨层伪影，对重构出的

进行第二步分层重构

Description

一种基于分层重构的脑部电阻抗断层成像方法

技术领域

本发明属于电阻抗断层成像技术领域，涉及一种基于分层重构的脑部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。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。

申请号为99115855.5的中国专利，题为《一种电阻抗断层成像方法》、申请号为03134598.0的中国专利，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。中国专利号为ZL200910022777.7，题为《一个结构信息融合的电阻抗断层成像方法》，披露了一种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结构图像与电阻抗图像的融合成像的方法，该方法能够提高电阻抗图像作为功能图像的准确性，改善图像的分辨率，全文结合于此作为参考文献。

然而，现有技术方法在人体脑部成像应用时，仍存在两个不足。首先，现有技术方法只是将颅骨先验信息引入正向计算模型，并未针对颅骨做算法方面的改进工作，当颅腔内阻抗变化目标区域靠近颅骨区域时，通过已有融合成像方法可以看出没有发生阻抗变化的颅骨层也会在阻抗图像上有所错误的反映，形成颅骨伪影，影响图像的正确判断。此外，由于颅骨高电阻率的影响，头皮区域的干扰非常容易淹没颅腔内阻抗变化目标，导致无法重构出目标。目前在电阻抗断层成像领域，还没有一个有效解决上述两个问题的重构方法披露。

发明内容

本发明解决的问题在于提供一种基于分层重构的脑部电阻抗断层成像方法，可以去除颅骨伪影，并降低头皮外层区域干扰，从而突出显示颅腔内的电阻抗断层成像。

本发明是通过以下技术方案来实现：

一种基于分层重构的脑部电阻抗断层成像方法，包括以下步骤：

1）根据空间分布先验信息，将头部模型分层处理为头皮层Ω_scalp，颅骨层Ω_skull和颅腔层Ω_brain，则要重构的电阻抗向量估计

也分为三个向量：头皮

颅骨

颅腔

其向量形式表示为： $\mathrm{\Δ}\widehat{\mathrm{\ρ}}=\left[\begin{array}{c}\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{scalp}}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{skull}}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{brain}}\end{array}\right];$

2）颅骨层Ω_skull没有发生阻抗变化，则有先验信息Δρ_j=0，j∈Ω_skull，然后引入约束矩阵D，则Δρ_j=0表述为DΔρ=h，其中h为零向量；电阻抗正问题方程为： $\tilde{S}\mathrm{\Δ\ρ}=\left[\begin{array}{c}S\\ D\end{array}\right]\mathrm{\Δ\ρ}=\left[\begin{array}{c}\mathrm{\Δv}\\ h\end{array}\right],$ 其中，S是敏感矩阵，Δv是待重构的电阻抗测量数据；

利用下式进行第一步重构，去除颅骨伪影：

$\mathrm{\Δ}\widehat{\mathrm{\ρ}}={(S^{T}S+\mathrm{\μ}{D}^{T}D+\mathrm{\λR})}^{-1}{S}^T\mathrm{\Δv}=B_L\mathrm{\Δv},$ 其中，R为正则化矩阵，μ为约束参数，λ为正则化参数，B_L是分层重构矩阵；

3）对于重构出的

利用空间先验信息，提取头皮层的干扰： $\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_s=\left[\begin{array}{c}{\mathrm{\Δ}\widehat{\mathrm{\ρ}}}_{\mathrm{scalp}}\\ 0\end{array}\right],$ 其中为头皮层干扰估计；

采用下式进行第二步重构：

降低头皮层干扰，重构结果表述为 $\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_b=\left[\begin{array}{c}\mathrm{\ϵ}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{brain}}\end{array}\right],$ ε为残差。

所述当颅腔内阻抗变化目标不靠近颅骨层时，忽略颅骨伪影，约束参数μ为0，步骤3）则采用B_L=(S^TS+λR)^-1S^T重构获得

所述当头皮层没有干扰或干扰较小时，忽略头皮层干扰，为0。

所述的待重构的电阻抗测量数据Δv为各种激励测量模式组合下测量而得到的数据。

所述的重构包括各种正则化方法。

所述的头皮层的干扰包括头皮干扰或者可等效于头皮层的干扰。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的一种基于分层重构的脑部电阻抗断层成像方法，根据空间分布先验信息，将头部分层处理为头皮层Ω_scalp，颅骨层Ω_skull和颅腔层Ω_brain，然后通过引入约束矩阵D，去除颅骨伪影，再通过提取头皮层的干扰，降低头皮层区域干扰，突出显示颅腔内的目标。

当阻抗变化目标位于颅腔内靠近颅骨层时，现有技术重构结果中没有发生阻抗变化的颅骨层靠近目标处出现了伪影，影响结果的判定，而本发明通过颅骨伪影去除解决了该问题；

当头皮层发生严重干扰时，现有技术重构结果中头皮层干扰已经淹没了颅腔内的目标，无法重构出目标图像，而本发明通过去除头皮层干扰解决了该问题。

本发明提供的一种基于分层重构的脑部电阻抗断层成像方法，可根据情况灵活应变：对于颅腔内阻抗变化目标不靠近颅骨层的情况，可以忽略颅骨伪影，因此可以只采用第二步分层重构降低头皮层的干扰（即约束参数μ为0）；对于头皮层没有干扰或干扰很小的情况，可以忽略头皮层干扰（即

为0），因此可以只采用第一步分层重构去除颅骨伪影。

附图说明

图1为本发明的头部模型分层示意图；

图2为本发明的仿真重构模型；

图3为本发明的仿真目标及本发明与现有技术所得结果对比；

图4为本发明结合现有融合成像结果与单独融合成像结果对比。

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，所述是对本发明的解释而不是限定。

实施例1

参照图1、图2和图3，以计算机仿真图像为例对本发明做进一步详细说明。本实施例首先需要对头部模型进行分层处理，头部模型分层示意图如图1所示，分为：头皮层Ω_scalp，颅骨层Ω_skull，颅腔层Ω_brain。因此对应区域的要重构的电阻抗向量

也分为三个向量：头皮

颅骨

颅腔

向量形式表示为： $\mathrm{\Δ}\widehat{\mathrm{\ρ}}=\left[\begin{array}{c}\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{scalp}}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{skull}}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{brain}}\end{array}\right].$

在本实施例中，假设整个头部为一半径为12cm的圆域，颅腔为一半径为9cm的圆域，颅骨为一内径为9cm外径为11cm的环状区域，头皮为一个内径为11cm外径为12cm的环状区域，头皮、颅骨和颅腔的电导率分别为0.44S/m、0.01S/m和0.2S/m，此为已知的先验信息。

图2为用于重构计算的仿真重构模型，对头部区域进行12层有限元剖分，由已知先验信息对头部模型进行分层处理，深色区域为仿真颅骨层，颅骨外区域为仿真头皮层，颅骨内区域为仿真颅腔层，所示网格为规则有限元剖分网格。

图3中301为颅腔内阻抗变化目标区域靠近颅骨区域时的仿真模型，用来生成仿真数据。仿真模型采用24层有限元剖分，其中头皮层、颅骨层和颅腔层的电导率设置分别为0.44S/m、0.01S/m和0.2S/m，颅腔内正右侧靠近颅骨层设置一阻抗变化目标，其电导率设置为0.67S/m。

图3中305所示另一仿真模型是在301仿真模型基础上增加了一个头皮干扰，其位置位于颅腔内目标的右上方，电导率设置为0.67S/m。仿真模型设置完成后，根据电阻抗断层成像原理，模拟真实噪声水平，根据各自模型分布生成各自包含一定噪声的仿真数据Δv。

图3中302为301仿真数据参考《一个结构信息融合的电阻抗断层成像方法》重构结果图，从图中可以看出没有发生阻抗变化的颅骨层靠近目标处出现了伪影。图3中306为305仿真数据现有技术重构结果图，从图中可以看出头皮层干扰已经淹没了颅腔内的目标，无法重构出目标图像。

本发明提出的基于分层重构的脑部电阻抗断层成像方法，包括以下步骤：

考虑颅骨层Ω_skull没有发生阻抗变化，因此先验信息有Δρ_j=0j∈Ω_skull，引入约束矩阵D，上述先验信息可写为DΔρ=h，其中h为零向量，因此电阻抗正问题方程可写为： $\tilde{S}\mathrm{\Δ\ρ}=\left[\begin{array}{c}S\\ D\end{array}\right]\mathrm{\Δ\ρ}=\left[\begin{array}{c}\mathrm{\Δv}\\ h\end{array}\right],$ 其中，Δv是实际测量数据或仿真测量数据，S是敏感矩阵，其矩阵元素为：

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。

为了去除颅骨伪影，利用下式进行重构：

$\mathrm{\Δ}\widehat{\mathrm{\ρ}}={(S^{T}S+\mathrm{\μ}{D}^{T}D+\mathrm{\λR})}^{-1}{S}^T\mathrm{\Δv}=B_L\mathrm{\Δv},$

正则化矩阵R=diag(S^TS)，μ是约束参数（本实施例取μ为1），λ是正则化参数，B_L是分层重构矩阵。

图3中303为301仿真数据利用本发明方法考虑颅骨层后的第一步分层重构结果图，从图中可以看出颅骨伪影已经被有效去除。图3中307为305仿真数据利用本发明方法考虑颅骨层后的第一步重构结果图，从图中可以看出能够重构出目标图像，但仍然存在头皮干扰。

因此，进一步考虑头皮干扰，对于去除颅骨伪影重构出的利用空间先验信息，可以提取头皮层的干扰： $\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_s=\left[\begin{array}{c}{\mathrm{\Δ}\widehat{\mathrm{\ρ}}}_{\mathrm{scalp}}\\ 0\end{array}\right],$ 采用下式进行第二步分层脑部电阻抗断层成像重构：

其中 $\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_b=\left[\begin{array}{c}\mathrm{\ϵ}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{brain}}\end{array}\right]$ 为最终重构结果，ε为一很小的残差。

图3中304为301仿真数据利用本发明方法两步重构后的结果图，从图中可以看出颅骨伪影已经被有效去除。图3中308为305仿真数据利用本发明方法两步重构后的结果图，从图中可以看出能够重构出目标图像，且头皮干扰已经被有效抑制，成像结果突出显示了颅腔内的成像目标。

实施例2

参照图4，以人体数据图像为例对本发明做进一步详细说明。本发明方法可以与参考文献《一个结构信息融合的电阻抗断层成像方法》中所披露的融合成像方法进行结合使用。在本实施例中，测量对象为一颅脑钻孔引流术患者，在进行电阻抗断层成像前，已经获得患者头部CT图像，因此头部区域头皮、颅骨、颅腔的区域形状为已知的先验信息。利用参考文献中披露的方法获取人体结构先验信息，通过CT图像利用模糊聚类分割方法分别获得头皮层、颅骨层和颅腔层，对头部区域进行自适应有限元剖分，最后采集电阻抗断层成像数据后利用上述先验信息结合本发明进行头部分层电阻抗断层成像重构，其计算方法和步骤与实施例1中的方法和步骤相似。

图4中401为颅脑钻孔引流术实测数据采用现有技术重构的结果图，可见明显的颅骨伪影和轻微的头皮干扰，图4中402为相同数据采用本发明方法进行重构的结果图，可见已去除颅骨伪影，头皮干扰也得到了抑制。

实施例3

对于颅腔内阻抗变化目标不靠近颅骨层的情况，可以忽略颅骨伪影，因此可以只采用第二步分层重构降低头皮层的干扰。其计算方法和步骤与实施例1中的方法和步骤相似，只需忽略第一步分层重构（即约束参数μ为0），直接采用现有技术获得的结果进行第二步分层重构即可。

实施例4

对于头皮层没有干扰或干扰很小的情况，可以忽略头皮层干扰，因此可以只采用第一步分层重构去除颅骨伪影。其计算方法和步骤与实施例1中的方法和步骤相似，只需进行第一步分层重构即可（即

为0）。

Claims (6)

1.一种基于分层重构的脑部电阻抗断层成像方法，其特征在于，包括以下步骤：

1）根据空间分布先验信息，将头部模型分层处理为头皮层Ω_scalp，颅骨层Ω_skull和颅腔层Ω_brain，则要重构的电阻抗向量估计

也分为三个向量：头皮

颅骨

颅腔

其向量形式表示为： $\mathrm{\Δ}\widehat{\mathrm{\ρ}}=\left[\begin{array}{c}\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{scalp}}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{skull}}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{brain}}\end{array}\right];$

2）颅骨层Ω_skull没有发生阻抗变化，则有先验信息Δρ_j=0，j∈Ω_skull，然后引入约束矩阵D，则Δρ_j=0表述为DΔρ=h，其中h为零向量；电阻抗正问题方程为： $\tilde{S}\mathrm{\Δ\ρ}=\left[\begin{array}{c}S\\ D\end{array}\right]\mathrm{\Δ\ρ}=\left[\begin{array}{c}\mathrm{\Δv}\\ h\end{array}\right],$ 其中，S是敏感矩阵，Δv是待重构的电阻抗测量数据；

利用下式进行第一步重构，去除颅骨伪影：

$\mathrm{\Δ}\widehat{\mathrm{\ρ}}={(S^{T}S+\mathrm{\μ}{D}^{T}D+\mathrm{\λR})}^{-1}{S}^T\mathrm{\Δv}=B_L\mathrm{\Δv},$ 其中，R为正则化矩阵，μ为约束参数，λ为正则化参数，B_L是分层重构矩阵；

3）对于重构出的利用空间先验信息，提取头皮层的干扰： $\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_s=\left[\begin{array}{c}{\mathrm{\Δ}\widehat{\mathrm{\ρ}}}_{\mathrm{scalp}}\\ 0\end{array}\right],$ 其中

为头皮层干扰估计；

采用下式进行第二步重构：降低头皮层干扰，重构结果表述为 $\mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_b=\left[\begin{array}{c}\mathrm{\ϵ}\\ \mathrm{\Δ}{\widehat{\mathrm{\ρ}}}_{\mathrm{brain}}\end{array}\right],$ ε为残差。

2.根据权利要求1所述的基于分层重构的脑部电阻抗断层成像方法，其特征在于，当颅腔内阻抗变化目标不靠近颅骨层时，忽略颅骨伪影，约束参数μ为0，步骤3）则采用B_L=(S^TS+λR)^-1S^T重构获得

3.根据权利要求1所述的基于分层重构的脑部电阻抗断层成像方法，其特征在于，当头皮层没有干扰或干扰较小时，忽略头皮层干扰，

为0。

4.根据权利要求1所述的基于分层重构的脑部电阻抗断层成像方法，其特征在于，所述的待重构的电阻抗测量数据Δv为各种激励测量模式组合下测量而得到的数据。

5.根据权利要求1所述的基于分层重构的脑部电阻抗断层成像方法，其特征在于，所述的重构包括各种正则化方法。

6.根据权利要求1所述的分层脑部电阻抗断层成像方法，其特征在于，所述的头皮层的干扰包括头皮干扰或者可等效于头皮层的干扰。

Images