CN111260742A - 一种电阻抗成像方法及装置 - Google Patents

Abstract

本申请提供了一种电阻抗成像方法及装置，其中，方法包括：采集电极阵列上的各电极的电压，得到由每个电极对下的响应电压信号组成的待处理的响应电压信号；待处理的响应电压信号作为训练后的条件生成式对抗网络中生成网络的条件信息；生成网络输出电导率分布图像；训练后的条件生成式对抗网络，是以预设的响应电压信号和预设的响应电压信号对应的真实电导率分布图像为训练样本，对预设的条件生成式对抗网络进行训练得到；在训练过程中，将预设的响应电压信号作为目标生成网络的条件信息；将预设的响应电压信号投影到预设维度后得到的高维响应电压信号，作为目标判别网络的条件信息。本申请生成的电导率分布图像的分辨率得到提高，并且，速度加快。

Description

一种电阻抗成像方法及装置

技术领域

本申请涉及电阻抗成像领域，尤其涉及一种电阻抗成像方法及装置。

背景技术

电阻抗成像技术诞生于20世纪80年代，源于Barber和Brown发明了第一台电阻抗成像设备。从此，电阻抗成像在科学社区引起了很大的关注，成为了医学成像技术的一个新方向。电阻抗成像技术以其无辐射、非侵入式、价格低廉和成像速度快等优点，被广泛应用于很多领域，包括医学成像、工业监控、地质勘探等方面。

电阻抗成像是利用生物体内电导率的分布实现目标成像的医学成像技术，基本原理是由于不同的生物组织具有不同的阻抗特性，当电导率分布发生变化时，会引起电流场的变化，进而导致物场内的电势分布发生变化，最终使得电极上所测的电压发生变化。通过电极系统向物场注入激励电流信号，从电极上测得对应的响应电压信号，通过数学模型算法，基于响应电压信号重建出生物体内电学特性的图像，得到电导率分布图像。

但是，通过数学模型算法重建得到的电导率分布图像的准确性较低，速度较慢。

发明内容

本申请提供了一种电阻抗成像方法及装置，目的在于解决的电阻抗成像得到的电导率分布图像的分辨率低和速度慢的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请提供了一种电阻抗成像方法，包括：

基于依次在目标电极阵列中相邻两个电极组成的电极对上注入激励电流信号，针对在每个电极对上注入所述激励电流信号，分别采集所述电极阵列上的各电极的电压，得到由每个电极对下的响应电压信号组成的待处理的响应电压信号；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列；

将所述待处理的响应电压信号作为训练后的条件生成式对抗网络中生成网络的条件信息；所述生成网络输出电导率分布图像；

所述训练后的条件生成式对抗网络，是以预设的响应电压信号和所述预设的响应电压信号对应的真实电导率分布图像为训练样本，对预设的条件生成式对抗网络进行训练得到；在训练过程中，将所述预设的响应电压信号作为目标生成网络的条件信息；将所述预设的响应电压信号投影到预设维度后得到的高维响应电压信号，作为目标判别网络的条件信息；所述目标生成网络为所述预设的条件生成式对抗网络中的生成网络；所述目标判别网络为所述预设的条件生成式对抗网络中的判别网络。

可选的，所述生成网络的输入包括：所述待处理的响应电压信号和预设的随机噪声信号。

可选的，对所述预设的条件生成式对抗网络训练的过程，包括：

交替对所述目标生成网络和所述目标判别网络进行训练；

在任意一次交替训练过程中，先以不调整该次训练下的目标生成网络的参数为前提，依据预设的目标函数对该次交替训练下的目标判别网络进行参数调整，得到该次交替训练下的目标生成网络和训练后的目标判别网络；后以不调整所述训练后的目标判别网络的参数为前提，依据所述目标函数对该次交替训练下的目标生成网络进行参数调整，得到该次交替训练下的条件生成式对抗网络；

在任一次交替训练过程中，以所述随机噪声信号和所述预设的响应电压信号为该次交替训练下的目标生成网络的输入；在该次交替训练过程中对目标判别网络的参数进行调整的情况下，以所述高维响应电压信号和目标电导率分布图像为该次交替训练下的目标判别网络的输入；所述目标电导率分布图像为该次交替训练下的目标生成网络输出的电导率分布图像，或者，与所述训练样本中预设的响应电压信号对应的真实电导率分布图像；在该次交替训练过程中对目标生成网络进行训练的情况下，该次交替训练下的目标判别网络的输入为：所述高维响应电压信号和该次交替训练下的目标生成网络输出的电导率分布图像。

可选的，在任意一次交替训练过程中，该次交替训练下的目标生成网络，依据所述随机噪声信号和所述预设的响应电压信号，生成所述电导率分布图像的过程，包括：

依据所述随机噪声信号和所述预设的响应电压信号，生成第一特征向量；

将所述第一特征向量与第一电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第一目标特征向量；所述第一电压的特征向量是通过将所述预设的响应电压信号投影到预设的第一高维空间得到；

将所述第一目标特征向量与第二电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第二目标特征向量；所述第二电压的特征向量是通过将所述预设的响应电压信号投影到预设的第二高维空间得到；

将所述第二目标特征向量与第三电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第三目标特征向量；所述第三电压的特征向量是通过将所述预设的响应电压信号投影到预设的第三高维空间得到；

对所述第三目标特征向量进行反卷积操作，得到所述该次训练下的目标生成网络输出的电导率分布图像。

可选的，所述基于交替在目标电极阵列中相邻的两个电极上注入激励电流信号，采集所述电极阵列上的各电极的电压，得到响应电压信号；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列，包括：

按照目标电极阵列中电极的排列顺序，依次将预设的激励电流信号注入到所述目标电极阵列中相邻的两个电极；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列；

对每次注入所述激励电流信号后的目标电极阵列上的每个电极进行电压测量，得到每次测量下的各电极的响应电压信号。

可选的，在所述待电阻抗成像的物场为胸腔肺部的物场的情况下，所述生成网络输出所述肺部的电导率分布图像。

本申请还提供了一种电阻抗成像装置，包括：

采集模块，用于基于依次在目标电极阵列中相邻两个电极组成的电极对上注入激励电流信号，针对在每个电极对上注入所述激励电流信号，分别采集所述电极阵列上的各电极的电压，得到由每个电极对下的响应电压信号组成的待处理的响应电压信号；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列；

输出模块，用于将所述待处理的响应电压信号作为训练后的条件生成式对抗网络中生成网络的条件信息；所述生成网络输出电导率分布图像；

所述训练后的条件生成式对抗网络，是以预设的响应电压信号和所述预设的响应电压信号对应的真实电导率分布图像为训练样本，对预设的条件生成式对抗网络进行训练得到；在训练过程中，将所述预设的响应电压信号作为目标生成网络的条件信息；将所述预设的响应电压信号投影到预设维度后得到的高维响应电压信号，作为目标判别网络的条件信息；所述目标生成网络为所述预设的条件生成式对抗网络中的生成网络；所述目标判别网络为所述预设的条件生成式对抗网络中的判别网络。

可选的，所述生成网络的输入包括：所述待处理的响应电压信号和预设的随机噪声信号。

可选的，所述装置还包括：

训练模块，用于交替对所述目标生成网络和所述目标判别网络进行训练；

在任意一次交替训练过程中，先以不调整该次训练下的目标生成网络的参数为前提，依据预设的目标函数对该次交替训练下的目标判别网络进行参数调整，得到该次交替训练下的目标生成网络和训练后的目标判别网络；后以不调整所述训练后的目标判别网络的参数为前提，依据所述目标函数对该次交替训练下的目标生成网络进行参数调整，得到该次交替训练下的条件生成式对抗网络；

在任一次交替训练过程中，以所述随机噪声信号和所述预设的响应电压信号为该次交替训练下的目标生成网络的输入；在该次交替训练过程中对目标判别网络的参数进行调整的情况下，以所述高维响应电压信号和目标电导率分布图像为该次交替训练下的目标判别网络的输入；所述目标电导率分布图像为该次交替训练下的目标生成网络输出的电导率分布图像，或者，与所述训练样本中预设的响应电压信号对应的真实电导率分布图像；在该次交替训练过程中对目标生成网络进行训练的情况下，该次交替训练下的目标判别网络的输入为：所述高维响应电压信号和该次交替训练下的目标生成网络输出的电导率分布图像。

可选的，所述训练模块，用于在任意一次交替训练过程中，该次交替训练下的目标生成网络，依据所述随机噪声信号和所述预设的响应电压信号，生成所述电导率分布图像的过程，包括：

所述训练模块，具体用于依据所述随机噪声信号和所述预设的响应电压信号，生成第一特征向量；

将所述第一特征向量与第一电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第一目标特征向量；所述第一电压的特征向量是通过将所述预设的响应电压信号投影到预设的第一高维空间得到；

将所述第一目标特征向量与第二电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第二目标特征向量；所述第二电压的特征向量是通过将所述预设的响应电压信号投影到预设的第二高维空间得到；

将所述第二目标特征向量与第三电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第三目标特征向量；所述第三电压的特征向量是通过将所述预设的响应电压信号投影到预设的第三高维空间得到；

对所述第三目标特征向量进行反卷积操作，得到所述该次训练下的目标生成网络输出的电导率分布图像。

可选的，所述采集模块，用于基于交替在目标电极阵列中相邻的两个电极上注入激励电流信号，采集所述电极阵列上的各电极的电压，得到响应电压信号；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列，包括：

所述采集模块，具体用于按照目标电极阵列中电极的排列顺序，依次将预设的激励电流信号注入到所述目标电极阵列中相邻的两个电极；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列；对每次注入所述激励电流信号后的目标电极阵列上的每个电极进行电压测量，得到每次测量下的各电极的响应电压信号。

可选的，在所述待电阻抗成像的物场为胸腔肺部的物场的情况下，所述生成网络输出所述肺部的电导率分布图像。

本申请所述的电阻抗成像方法及装置中，基于依次在目标电极阵列中相邻两个电极组成的电极对上注入激励电流信号，针对在每个电极对上注入激励电流信号，分别采集电极阵列上的各电极的电压，得到由每个电极对下的响应电压信号组成的待处理的响应电压信号，其中，目标电极阵列为待电阻抗成像的物场周围的电极阵列。

将该待处理的响应电压信号作为模型训练后的条件生成式对抗网络中生成网络的条件信息，输入生成网络；该生成网络输出电导率分布图像。

由于该训练后的条件生成式对抗网络，是以预设的响应电压信号和该预设的响应电压信号对应的真实电导率分布图像为训练样本，对预设的条件生成式对抗网络进行训练得到；在训练过程中，将该预设的响应电压信号作为目标生成网络的条件信息；将该预设的响应电压信号投影到预设维度后得到的高维响应电压信号作为目标判别网络的条件信息；从而，使得条件生成式对抗网络适用于电阻抗成像。

由于条件生成式对抗网络具有强大的学习数据分布的能力，因此，训练得到的条件生成式对抗网络中的生成网络，从响应电压信号中捕获到的从响应电压信号到电导率分布间的函数映射关系更准确，从而，训练得到的条件生成式对抗网络中的生成网络输出的电导率分布图像的分辨率得到提高。

另外，由于本申请采用条件生成式对抗网络本身比现有技术中的数学模型算法的计算速度快，因此，相比于传统电阻抗成像算法通过数学模型算法生成电导率图像，本申请生成电导率分布图像的速度更快。相比现有技术中其他深度学习算法，本申请基于对抗网络的方法，可以生成任意概率密度和分辨率更高的图像。

综上所述，本申请提供的电阻抗成像方法生成的电导率分布图像的分辨率得到提高，并且，速度加快。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种条件生成式对抗网络的结构示意图；

图2(a)为本申请实施例公开的生成网络的结构示意图；

图2(b)为本申请实施例公开的判别网络的结构示意图；

图3为本申请实施例公开的在任一交替训练过程中只对目标判别网络进行训练的条件生成式对抗网络的结构示意图；

图4为本申请实施例公开的一种电阻抗成像方法的流程图；

图5为本申请实施例公开的一种电阻抗成像过程的结构示意图；

图6为本申请实施例公开的一种电阻抗成像装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种条件生成式对抗网络的结构示意图，其中，条件生成式对抗网络包括生成网络和判别网络。其中，生成网络和判别网络都需输入条件信息，并且，生成网络输出的网络生成图输入判别网络。

在本申请实施例中，将条件生成式对抗网络应用于电阻抗成像场景中，为了使得条件生成式对抗网络能够较好的适用于电阻抗成像场景，即通过条件生成式对抗网络可以得到分辨率较高的电导率分布图像，本申请实施例中，电阻抗成像是将低维的响应电压信号转换为高维的电导率分布图像的过程，并将响应电压信号作为条件生成式对抗网络中的生成网络和判别网络的条件信息。

为了使得条件生成式对抗网络中的生成网络和判别网络的网络结构适用于电阻抗成像需将低维的响应电压信号转换为高维的电导率分布图像，本申请实施例针对电阻抗成像，设计了对应的生成网络和判别网络结构。作为示例，生成网络的结构示意图如图2(a)所示，判别网络的结构示意图如图2(b)所示。

在图2(a)中，生成网络的输入为高斯随机噪声和测量电压，其中，测量电压为预设的响应电压信号，需要说明的是，图2(a)只是用于展示生成网络结构的一个例子。

从图2(a)中可以看出，生成网络依据所述随机噪声信号和所述预设的响应电压信号，生成所述电导率分布图像的过程(生成网络对输入数据的处理流程)，可以包括步骤A1～步骤A5：

A1、对随机噪声信号和预设的响应电压信号进行信息融合，得到第一融合结果。

在本步骤中，以随机噪声信号为高斯随机噪声信号为例，并且，假设高斯随机噪声信号的总维度为100，预设的响应电压信号的总维度为256，则在本步骤中，对高斯随机噪声信号和预设的响应电压信号进行信息融合，得到的融合结果称为第一融合结果，该第一融合结果的总维度为356。

A2、对第一融合结果进行全连接网络操作，得到第一数量的一维特征向量。

在图2(a)中将全连接网络操作采用FC表示。在本步骤中，对第一融合结果进行全连接网络操作，得到1024维特征向量，即生成网络从356个一维特征向量映射到1024个一维特征向量。

A3、对第一数量的一维特征向量进行全连接网络操作，得到第二数量的一维向量。

在本步骤中，对第一数量的一维特征向量进行全连接网络操作，即将1024个一维特征向量进行全连接网络操作，图2(a)中得到6272个一维特征向量，即经过本步骤，将1024个一维特征向量通过本步骤的全连接网络操作得到6272个一维特征向量。

在本步骤中，可以将6272个一维特征向量看作是7*7*2*64个一维特征向量。

A4、对第二数量的一维特征向量进行矩阵变换，得到第一特征向量。

在本步骤中，对第二数量的一维特征向量进行矩阵变换，具体的矩阵变换实现过程为现有技术，这里不再赘述，经过矩阵变换得到的结果是特征向量。为了描述方便，将经过本步骤的矩阵变换得到的结果称为第一特征向量。

即图2(a)将6267个一维特征向量经过矩阵变换得到[7,7,128]的特征向量。

上述A1～A4的目的是：依据随机噪声信号和该预设的响应电压信号，生成第一特征向量。

A5、将第一特征向量与第一电压的特征向量进行特征融合，得到第一融合特征向量。

在本步骤中，第一电压的特征向量是通过将预设的响应电压信号投影到预设的第一高维空间得到。在图2(a)中，将预设的响应电压信号投影到预设第一高维空间得到[7,7,256]的特征向量，在图2(a)中采用U：[7,7,256]表示。

在本步骤中，将第一特征向量与第一电压的特征向量进行特征融合，为了描述方便，将经过本步骤的特征融合得到的结果称为第一融合特征向量。

在图2(a)中，将[7,7,128]和[7,7,256]分别指示的特征向量进行特征融合，得到[7,7,128+256]的特征向量。

A6、将第一融合特征向量进行反卷积操作，得到第一目标特征向量。

在图2(a)中，采用“deconv”表示反卷积操作，为了描述方便，将经本步骤的反卷积操作得到结果称为第一目标特征向量，在图2(a)中第一目标特征向量为[14,14,128]指示的特征向量。

上述A5～A6的目的是：将第一特征向量与第一电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第一目标特征向量。

A7、将第一目标特征向量与第二电压的特征向量进行特征融合，得到第二融合特征向量。

在本步骤中，第二电压的特征向量是通过将预设的响应电压信号投影到预设的第二高维空间得到，在图2(a)中，采用U：[14，14，256]表示第二电压的特征向量。

为了描述方便，将经本步骤的特征融合得到的结果称为第二融合特征向量。在图2(a)中，第二融合特征向量为[14,14,128]和[14，14，256]指示的特征向量间的特征融合结果[14,14,128+256]。

A8、将第二融合特征进行反卷积操作，得到第二目标特征向量。

在图2(a)中，第二目标特征向量为[28,28,128]指示的特征向量。

上述A7～A8的目的是：将第一目标特征向量与第二电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第二目标特征向量。

A9、将第二目标特征向量与第三电压的特征向量进行特征融合，得到第三融合特征向量。

在本步骤中，第三电压的特征向量是通过将该预设的响应电压信号投影到预设的第三高维空间得到。

在图2(a)中，第三电压的特征向量采用U：[28,28,256]表示。即将[28,28,256]和[28,28,128]分别指示的特征向量进行特征融合，得到第三融合特征向量[28,28,128+256]。

A10、对第三融合特征向量进行反卷积操作，得到第三目标特征向量。

在图2(a)中，第三目标特征向量为[56,56,128]指示的特征向量。

上述A9～A10的目的是：将第二目标特征向量与第三电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第三目标特征向量。

A11、对第三目标特征向量进行反卷积操作，得到生成网络输出的电导率分布图像。

在图2(a)中，生成网络输出的电导率分布图像为[112,112,3]的特征向量。

从上述A5～A6中可以看出在进行反卷积操作前，将第一电压的特征向量与矩阵转换得到的第一特征向量进行融合。上述A7～A8可以看出在进行反卷积操作之前，将A6得到的第一目标特征向量与第二电压的特征向量进行特征融合。从上述A9～A10中可以看出，在进行反卷积操作之前，将A8得到的第二目标特征向量与第三电压的特征向量进行特征融合。即每次在进行反卷积操作之前，将对应电压的特征向量与上一结构单元的输出进行特征融合，一方面使得生成网络更易学习到电导率分布函数，以及在对条件生成式对抗网络训练过程中生成网络更容易达到收敛，另一方面有助于生成网络从低维的响应电压信号重建高维的电导率分布图像。通过最后一次的反卷积操作，输出112x112电导率的分布图像。生成网络通过使用全连接网络和反卷积网络最终学习到从响应电压信号重建出对应的电导率分布图像的方式。

以对判别网络的训练过程为例，介绍判别网络的工作原理，当然，在非训练过程中判别网络的工作原理不变，只是输入可能与训练过程的输入不同。在图2(b)所示的判别网络处于训练过程的情况下，判别网络的输入为输入样本和高维测量电压。其中，高维测量电压为将训练样本中预设的响应电压信号投影到预设维度后得到的高维响应电压信号，输入样本可以为生成样本，其中，生成样本为未训练完成的生成网络的输出结果，其中，输出结果并不是训练样本中的预设的响应电压信号对应的电导率分布图像。输入样本也可以为真实样本，其中，真实样本为测量电压对应的真实电导率分布图像。

在图2(b)中，测量电压为[112，112，256]的特征向量，输入样本为[112,112,3]的特征向量，将输入样本和高维测量电压在第三通道维度上合并，得到[112,112,259]的特征向量，然后连续进行四次卷积操作(Conv)和两次全连接神经网络操作(FC)，最后输出单个在[0,1]区间上的数值。其中，通过第一次卷积操作得到[56,56,20+256]的特征向量，通过第二次卷积操作得到[28,28,32]的特征向量，通过第三次卷积操作得到[14,14,64]的特征向量，通过第四次卷积操作得到[7,7,64]的特征向量，其中，在第二次卷积操作前，将第四电压的特征向量与第一次卷积操作的结果进行特征融合，并对融合后的结果进行第二次卷积操作，其中，第四电压的特征向量是对预设的响应电压信号投影到预设的第四维度空间得到，在图2(b)中，第四电压的特征向量采用U：[56,56,256]表示。

在图2(b)中，当输入样本为真实样本，判别网络会使输出值尽可能接近1，当输入样本为生成样本(以训练过程为例，生成样本指未训练完成的生成网络输出的电导率分布图像，此时，生成网络生成的电导率分布图像并不是训练样本中预设的响应电压信号对应的电导率分布图像)的情况下，判别网络会使其输出值尽可能接近0。判别网络通过这种方式学习输入样本是真实样本还是虚假样本。

在本申请实施例中，对预设的条件生成式对抗网络进行训练，这里预设的条件生成式对抗网络为未经过训练的网络，为了描述方便，将预设的条件生成式对抗网络中的生成网络称为目标生成网络，将判别网络称为目标判别网络。本申请实施例对预设的条件生成式对抗网络的训练所采用的训练样本为预设的响应电压信号和该预设的响应电压信号对应的电导率分布图像。

在本申请实施例中，对预设的条件生成式对抗网络的训练过程，主要采用交替对目标生成网络和目标判别网络进行训练。具体的，对目标生成网络和目标判别网络进行交替训练的过程可以包括：

首先，不对目标生成网络进行训练，只对目标判别网络进行训练，在该过程中，以训练样本中预设的响应电压信号和预设的随机噪声信号作为目标生成网络的输入，其中，预设的响应电压信号作为目标生成网络的条件信息，目标生成网络输出电导率分布图像。将高维响应电压信号和目标电导率分布图像作为目标判别网络的输入，其中，高维响应电压信号为通过对训练样本中的响应电压信号投影到预设维度后得到，并且，高维响应电压信号作为目标判别网络的条件信息。其中，目标电导率分布图像为目标生成网络输出的电导率分布图像，或者，与训练样本中预设的响应电压信号对应的真实电导率分布图像。

具体的，如图3所示的结构示意图，在图3中，测量电压为训练样本中预设的响应电压信号，随机噪声信号为高斯分布噪声信号。输入目标判别网络中的信号图表示高维电压响应信号。

在目标电导率分布图像为真实电导率分布图像的情况下，采用如下公式所示的目标函数，目标生成网络的参数保持不变，依据目标函数只调整目标判别网络的参数，使得目标判别网络输出的对数期望值更接近于1。

在目标电导率分布图像为目标生成网络输出的电导率分布图像的情况下，采用如下公式所示的目标函数，目标生成网络的参数保持不变，依据目标函数只调整目标判别网络的参数，使得目标判别网络输出的对数期望值更接近于0，得到该次交替训练下得到的训练后的目标判别网络，使得训练后的目标判别网络具有识别真实电导率分布图像与非真实电导率分布图像的能力。其中，真实电导率分布图像为训练样本中预设的响应电压信号对应的电导率分布图像。

式中，D表示目标判别网络，G表示目标生成网络，这里x表示真实的电导率分布图像，y为网络的条件信息即测量电压，z表示输入高斯分布噪声。

然后，固定该次交替训练得到的训练后的目标判别网络的参数，对目标生成网络进行训练。

具体的，目标生成网络的输入为训练样本中预设的响应电压信号和预设的随机噪声，其中，预设的响应电压信号为目标生成网络的条件信息。训练后的目标判别网络的输入为高维响应电压信号和该次交替训练下目标生成网络输出的电导率分布图像。训练后的目标判别网络的参数保持不变，通过最小化上述目标函数只调整目标生成网络的参数，达到对目标生成模型的训练，得到该次交替训练下训练后的目标生成网络，使得该次交替训练下训练后的目标生成网络输出的电导率分布图像逼近真实电导率分布图像。

将该次交替训练得到的训练后的目标判别网络作为下一次交替训练开始的目标判别网络，将该次交替训练得到的训练后的目标生成网络作为下一次交替训练开始的目标生成网络，按照上述训练过程继续下一次交替训练过程，反复经过多次交替训练后，得到训练后的条件生成式对抗网络。

可选的，在本申请实施例中，使用Adam优化器算法对条件生成式对抗网络进行训练，可选的，学习率可以设置为0.0002，beta1参数可以设置为0.5，beta2参数可以设置为0.99。模型的损失函数使用的是对数交叉熵损失函数，batch size值设置为64，epoch设置为200。

并且，在本申请实施例中，在生成网络中的卷积层和全连接层都加入了批标准化处理(Batch Normalization)，加速了模型学习速度和缓解了梯度消失问题。激活函数使用的是ReLU激活函数，最后一层输出层使用sigmoid激活函数。在判别网络中，除了最后一层，所有的卷积层和全连接层都加入了批标准化处理(Batch Normalization)，不同的是使用Leaky ReLU激活函数，最后一层输出层使用sigmoid激活函数。

由于在现实中，比较难获得大量的真实响应电压信号和对应的电导率分布图像数据，为了简化数据收集所需要的时间和难度，本申请实施例使用Matlab产生的仿真数据，将仿真数据中的响应电压信号和对应的物场电导率分布图像组成训练数据对，得到训练样本。

可选的，可以将低维的肺部的响应电压信号和对应的高维肺部的真实电导率分布图像构成训练数据对，总计900组数据对作为训练集，50组数据对作为验证集，50组数据对作为测试集，最终能够从输入响应电压信号重建得到高精度的肺部电导率分布图像。当然，在实际中，还可以仿真其他器官或组织响应电压信号和对应的高维真实电导率分布图像，本实施例不对具体的应用场景作限定，只是在肺部的电导率重建上得到特别好的效果。

在得到训练后的条件生成式对抗网络后，通过该训练后的条件生成式对抗网络进行电阻抗成像，如图4为本申请实施例提供的一种电阻抗成像的方法，包括以下步骤：

S401、基于依次在目标电极阵列中相邻两个电极组成的电极对上注入激励电流信号，针对在每个电极对上注入所述激励电流信号，分别采集该电极阵列上的各电极的电压，得到由每个电极对下的响应电压信号组成的待处理的响应电压信号。

本步骤中，目标电极阵列为待电阻抗成像的物场周围的电极阵列，即包围待阻抗成像的物场的电极阵列，一般情况下，目标电极阵列会贴在物场周围一圈。在本申请实施例中，在没有特别说明的情况下，物场周围的电极阵列是指包围物场的电极阵列，一般情况下，将贴在物场周围一圈形成的电极阵列为物场周围的电极阵列。

可选的，本步骤的具体实现过程可以包括步骤B1～步骤B2：

B1、依次将预设的激励电流信号注入到目标电极阵列中相邻的两个电极。

B2、对每次注入激励电流信号后的目标电极阵列上的每个电极进行电压测量，得到每次测量下的各电极的响应电压信号。

在本实施例中，将每次测量下的各电极的响应电压信号，作为待处理的响应电压信号。

S402、将该待处理的响应电压信号作为训练后的条件生成式对抗网络中生成网络的条件信息，输入生成网络，该生成网络输出电导率分布图像。

在本步骤中，将待处理的响应电压信号和预设的随机噪声作为训练后的条件生成式对抗网络中的生成网络的输入，由于该生成网络已经具备了将低维的响应电压信号准确的转换为高维的电导率分布图像的能力，因此，在本步骤中，生成网络输出待处理的响应电压信号对应的电导率分布图像。

作为示例，如图5所示的一种电阻抗成像过程的结构示意图，在该图5包括数据采集系统和条件生成式对抗网络中的生成网络。其中，数据采集系统包括信号发生激励单元(产生激励电流信号)，电极阵列、响应电压信号采集单元。信号发生单元产生激励电流信号，利用中央控制电路将激励电流信号注入到电极阵列中相邻的两个电极上形成感应场，为了描述方便，将注入激励电流信号的两个电极称为激励电极，测量电极阵列上每个电极的响应电压信号，得到一个激励电极对应的电极阵列上每个电极的响应电压信号。

通过交替变换激励电极，在不同变换后的激励电极上注入激励电流信号的情况下，电极阵列上产生不同分布电磁场对应的响应电压，并对每次变换后的激励电极上注入激励电流信号后，测量该次激励电极下电极阵列中每个电极的响应电压信号，得到该次变换后的激励电极对应的电极阵列上每个电极的响应电压信号。通过将每个激励电极对应的电极阵列上每个电极的响应电压信号进行预处理，得到待处理的响应电压信号。其中，预处理是可选的过程，具体预处理可以包括：滤波、二级放大器放大、解调等处理操作。

在图5中，圆形水槽表示电极阵列，一个黑色实点代表一个电极，即电极阵列包括16个电极，每次在激励电极上施加电流激励信号，然后测量电极阵列上每个电极上的响应电压信号，得到16个电极响应电压信号。由于电极阵列包括16个电极，因此，可以得到16个激励电极，每个激励电极可得到16个电压响应信号，因此，16个激励电极可以得到256个响应电压信号，可以将256个响应电压信号作为待处理的电压响应信号。

在实际中，本实施例提供的电阻抗成像方法可以应用于肺部的电阻抗成像的场景中，待电阻抗成像的物场可以为胸腔肺部的物场，其中，在待电阻抗成像的物场为胸腔肺部的物场的情况下，训练后的条件生成式对抗网络中的生成网络输出该肺部的电导率分布图像。当然，在实际中，本实施例提供的电阻抗成像方法还可以应用到其他的场景中，本实施例不对电阻抗成像方法的具体应用场景作限定，只是应用到肺部的电阻抗成像场景中，可以产生特别好的效果。

本申请实施例的有益效果包括：

有益效果一：

在本申请实施例中，通过对条件生成式对抗网络进行训练，得到训练后的条件生成式对抗网络，并且，训练后的条件生成式对抗网络具有准确的将低维的响应电压信号转换为高维的电导率分布图像，使得，只需向训练后的条件生成式对抗网络中输入待处理的电压响应信号，即可直接得到该待处理的响应电压信号对应的电导率分布图像，从而，相对于现有技术中的图到图翻译的网络，需要先得到初步图像，并基于初步图像得到最终的电导率分布图像。

有益效果二、

在本实施例中，采用交替训练的方式对预设的条件生成式对抗网络中的生成网络和目标网络进行训练，并且，在每次的交替训练过程中，先使得目标生成网络的参数保持不变，依据目标函数对目标判别网络的参数进行调整，实现对目标判别网络的训练，得到该次交替训练下训练后的目标判别网络。然后，使得该次交替训练下得到的训练后的目标判别网络的参数保持不变，依据目标函数对目标生成网络的参数进行调整，实现对目标生成网络的训练，得到该次交替训练下训练后的目标生成网络。

即本申请实施例采用博弈对抗方式，实现对目标生成网络和目标判别网络的训练，使得无论训练样本中预设的响应电压信号与对应的电导率分布图像间的映射关系简单还是复杂，本申请实施例训练得到的条件生成式对抗网络都可以学习到正确的映射关系，从而，使得本申请实施例得到的训练后的条件生成式对抗网络具有较强的模型泛化能力，进而，使得本申请实施例提供的训练后的条件生成式对抗网络，可以实现复杂的电阻抗成像。

有益效果三：

在本申请实施例中，条件生成式对抗网络模型具有较好的灵活性，使得可以根据实际需要，进一步地引入的更多先验信息到条件生成式对抗网络模型中，与特征向量做特征融合处理，指导条件生成式对抗网络模型生成高精度的电导率分布图像。

图6为本申请实施例提供的一种电阻抗成像装置，包括：采集模块601和输出模块602；

采集模块601，用于基于依次在目标电极阵列中相邻两个电极组成的电极对上注入激励电流信号，针对在每个电极对上注入激励电流信号，分别采集电极阵列上的各电极的电压，得到由每个电极对下的响应电压信号组成的待处理的响应电压信号；目标电极阵列为待电阻抗成像的物场周围的电极阵列；

输出模块602，用于将待处理的响应电压信号作为训练后的条件生成式对抗网络中生成网络的条件信息；生成网络输出电导率分布图像；

训练后的条件生成式对抗网络，是以预设的响应电压信号和预设的响应电压信号对应的真实电导率分布图像为训练样本，对预设的条件生成式对抗网络进行训练得到；在训练过程中，将预设的响应电压信号作为目标生成网络的条件信息；将预设的响应电压信号投影到预设维度后得到的高维响应电压信号，作为目标判别网络的条件信息；目标生成网络为所述预设的条件生成式对抗网络中的生成网络；目标判别网络为所述预设的条件生成式对抗网络中的判别网络。

可选的，生成网络的输入包括：待处理的响应电压信号和预设的随机噪声信号。

可选的，该装置还可以包括：

训练模块，用于交替对目标生成网络和所述目标判别网络进行训练；

在任意一次交替训练过程中，先以不调整该次训练下的目标生成网络的参数为前提，依据预设的目标函数对该次交替训练下的目标判别网络进行参数调整，得到该次交替训练下的目标生成网络和训练后的目标判别网络；后以不调整训练后的目标判别网络的参数为前提，依据目标函数对该次交替训练下的目标生成网络进行参数调整，得到该次交替训练下的条件生成式对抗网络；

在任一次交替训练过程中，以随机噪声信号和预设的响应电压信号为该次交替训练下的目标生成网络的输入；在该次交替训练过程中对目标判别网络的参数进行调整的情况下，以高维响应电压信号和目标电导率分布图像为该次交替训练下的目标判别网络的输入；目标电导率分布图像为该次交替训练下的目标生成网络输出的电导率分布图像，或者，与训练样本中预设的响应电压信号对应的真实电导率分布图像；在该次交替训练过程中对目标生成网络进行训练的情况下，该次交替训练下的目标判别网络的输入为：高维响应电压信号和该次交替训练下的目标生成网络输出的电导率分布图像。

可选的，训练模块，用于在任意一次交替训练过程中，该次交替训练下的目标生成网络，依据随机噪声信号和所述预设的响应电压信号，生成电导率分布图像的过程，包括：

训练模块，具体用于依据随机噪声信号和预设的响应电压信号，生成第一特征向量；

将第一特征向量与第一电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第一目标特征向量；第一电压的特征向量是通过将预设的响应电压信号投影到预设的第一高维空间得到；

将第一目标特征向量与第二电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第二目标特征向量；第二电压的特征向量是通过将预设的响应电压信号投影到预设的第二高维空间得到；

将第二目标特征向量与第三电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第三目标特征向量；第三电压的特征向量是通过将预设的响应电压信号投影到预设的第三高维空间得到；

对第三目标特征向量进行反卷积操作，得到该次训练下的目标生成网络输出的电导率分布图像。

可选的，采集模块601，用于基于交替在目标电极阵列中相邻的两个电极上注入激励电流信号，采集电极阵列上的各电极的电压，得到响应电压信号；目标电极阵列为待电阻抗成像的物场周围的电极阵列，包括：

采集模块601，具体用于按照目标电极阵列中电极的排列顺序，依次将预设的激励电流信号注入到目标电极阵列中相邻的两个电极；目标电极阵列为待电阻抗成像的物场周围的电极阵列；对每次注入激励电流信号后的目标电极阵列上的每个电极进行电压测量，得到每次测量下的各电极的响应电压信号。

可选的，在待电阻抗成像的物场为胸腔肺部的物场的情况下，生成网络输出该肺部的电导率分布图像。

本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电阻抗成像方法，其特征在于，包括：

基于依次在目标电极阵列中相邻两个电极组成的电极对上注入激励电流信号，针对在每个电极对上注入所述激励电流信号，分别采集所述电极阵列上的各电极的电压，得到由每个电极对下的响应电压信号组成的待处理的响应电压信号；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列；

将所述待处理的响应电压信号作为训练后的条件生成式对抗网络中生成网络的条件信息；所述生成网络输出电导率分布图像；

所述训练后的条件生成式对抗网络，是以预设的响应电压信号和所述预设的响应电压信号对应的真实电导率分布图像为训练样本，对预设的条件生成式对抗网络进行训练得到；在训练过程中，将所述预设的响应电压信号作为目标生成网络的条件信息；将所述预设的响应电压信号投影到预设维度后得到的高维响应电压信号，作为目标判别网络的条件信息；所述目标生成网络为所述预设的条件生成式对抗网络中的生成网络；所述目标判别网络为所述预设的条件生成式对抗网络中的判别网络。

2.根据权利要求1所述的方法，其特征在于，所述生成网络的输入包括：所述待处理的响应电压信号和预设的随机噪声信号。

3.根据权利要求2所述的方法，其特征在于，对所述预设的条件生成式对抗网络训练的过程，包括：

交替对所述目标生成网络和所述目标判别网络进行训练；

在任意一次交替训练过程中，先以不调整该次训练下的目标生成网络的参数为前提，依据预设的目标函数对该次交替训练下的目标判别网络进行参数调整，得到该次交替训练下的目标生成网络和训练后的目标判别网络；后以不调整所述训练后的目标判别网络的参数为前提，依据所述目标函数对该次交替训练下的目标生成网络进行参数调整，得到该次交替训练下的条件生成式对抗网络；

在任一次交替训练过程中，以所述随机噪声信号和所述预设的响应电压信号为该次交替训练下的目标生成网络的输入；在该次交替训练过程中对目标判别网络的参数进行调整的情况下，以所述高维响应电压信号和目标电导率分布图像为该次交替训练下的目标判别网络的输入；所述目标电导率分布图像为该次交替训练下的目标生成网络输出的电导率分布图像，或者，与所述训练样本中预设的响应电压信号对应的真实电导率分布图像；在该次交替训练过程中对目标生成网络进行训练的情况下，该次交替训练下的目标判别网络的输入为：所述高维响应电压信号和该次交替训练下的目标生成网络输出的电导率分布图像。

4.根据权利要求3所述的方法，其特征在于，在任意一次交替训练过程中，该次交替训练下的目标生成网络，依据所述随机噪声信号和所述预设的响应电压信号，生成所述电导率分布图像的过程，包括：

依据所述随机噪声信号和所述预设的响应电压信号，生成第一特征向量；

将所述第一特征向量与第一电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第一目标特征向量；所述第一电压的特征向量是通过将所述预设的响应电压信号投影到预设的第一高维空间得到；

将所述第一目标特征向量与第二电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第二目标特征向量；所述第二电压的特征向量是通过将所述预设的响应电压信号投影到预设的第二高维空间得到；

将所述第二目标特征向量与第三电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第三目标特征向量；所述第三电压的特征向量是通过将所述预设的响应电压信号投影到预设的第三高维空间得到；

对所述第三目标特征向量进行反卷积操作，得到所述该次训练下的目标生成网络输出的电导率分布图像。

5.根据权利要求1所述的方法，其特征在于，所述基于交替在目标电极阵列中相邻的两个电极上注入激励电流信号，采集所述电极阵列上的各电极的电压，得到响应电压信号；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列，包括：

按照目标电极阵列中电极的排列顺序，依次将预设的激励电流信号注入到所述目标电极阵列中相邻的两个电极；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列；

对每次注入所述激励电流信号后的目标电极阵列上的每个电极进行电压测量，得到每次测量下的各电极的响应电压信号。

6.根据权利要求1所述的方法，其特征在于，在所述待电阻抗成像的物场为胸腔肺部的物场的情况下，所述生成网络输出所述肺部的电导率分布图像。

7.一种电阻抗成像装置，其特征在于，包括：

采集模块，用于基于依次在目标电极阵列中相邻两个电极组成的电极对上注入激励电流信号，针对在每个电极对上注入所述激励电流信号，分别采集所述电极阵列上的各电极的电压，得到由每个电极对下的响应电压信号组成的待处理的响应电压信号；所述目标电极阵列为待电阻抗成像的物场周围的电极阵列；

输出模块，用于将所述待处理的响应电压信号作为训练后的条件生成式对抗网络中生成网络的条件信息；所述生成网络输出电导率分布图像；

所述训练后的条件生成式对抗网络，是以预设的响应电压信号和所述预设的响应电压信号对应的真实电导率分布图像为训练样本，对预设的条件生成式对抗网络进行训练得到；在训练过程中，将所述预设的响应电压信号作为目标生成网络的条件信息；将所述预设的响应电压信号投影到预设维度后得到的高维响应电压信号，作为目标判别网络的条件信息；所述目标生成网络为所述预设的条件生成式对抗网络中的生成网络；所述目标判别网络为所述预设的条件生成式对抗网络中的判别网络。

8.根据权利要求7所述的装置，其特征在于，所述生成网络的输入包括：所述待处理的响应电压信号和预设的随机噪声信号。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

训练模块，用于交替对所述目标生成网络和所述目标判别网络进行训练；

在任意一次交替训练过程中，先以不调整该次训练下的目标生成网络的参数为前提，依据预设的目标函数对该次交替训练下的目标判别网络进行参数调整，得到该次交替训练下的目标生成网络和训练后的目标判别网络；后以不调整所述训练后的目标判别网络的参数为前提，依据所述目标函数对该次交替训练下的目标生成网络进行参数调整，得到该次交替训练下的条件生成式对抗网络；

在任一次交替训练过程中，以所述随机噪声信号和所述预设的响应电压信号为该次交替训练下的目标生成网络的输入；在该次交替训练过程中对目标判别网络的参数进行调整的情况下，以所述高维响应电压信号和目标电导率分布图像为该次交替训练下的目标判别网络的输入；所述目标电导率分布图像为该次交替训练下的目标生成网络输出的电导率分布图像，或者，与所述训练样本中预设的响应电压信号对应的真实电导率分布图像；在该次交替训练过程中对目标生成网络进行训练的情况下，该次交替训练下的目标判别网络的输入为：所述高维响应电压信号和该次交替训练下的目标生成网络输出的电导率分布图像。

10.根据权利要求9所述的装置，其特征在于，所述训练模块，用于在任意一次交替训练过程中，该次交替训练下的目标生成网络，依据所述随机噪声信号和所述预设的响应电压信号，生成所述电导率分布图像的过程，包括：

所述训练模块，具体用于依据所述随机噪声信号和所述预设的响应电压信号，生成第一特征向量；

将所述第一特征向量与第一电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第一目标特征向量；所述第一电压的特征向量是通过将所述预设的响应电压信号投影到预设的第一高维空间得到；

将所述第一目标特征向量与第二电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第二目标特征向量；所述第二电压的特征向量是通过将所述预设的响应电压信号投影到预设的第二高维空间得到；

将所述第二目标特征向量与第三电压的特征向量进行特征融合，并对融合后的特征向量进行反卷积操作，得到第三目标特征向量；所述第三电压的特征向量是通过将所述预设的响应电压信号投影到预设的第三高维空间得到；

对所述第三目标特征向量进行反卷积操作，得到所述该次训练下的目标生成网络输出的电导率分布图像。

Images