CN112001977A - 一种基于残差网络的电阻抗断层图像重构方法 - Google Patents

Abstract

一种基于残差网络的电阻抗断层图像重构方法，包括以下步骤：1)采用MIT设备，制作人体头骨模型和异质物体，设计不同频率进行数据采集；2)将采集数据从一维向量形式，转化为与图片相似的多通道矩阵形式；3)针对成像问题特殊性，修改残差网络结构，并自定义训练损失函数进行训练；4)利用训练结果生成数据，进行图像处理和优化。本发明使用深度学习技术结合实际的MIT设备采集数据进行训练，相比较于传统成像方法，可使得成像物体的轮廓更加精细且位置更加精确。

Description

一种基于残差网络的电阻抗断层图像重构方法

技术领域

本发明涉及生物医学成像和深度学习领域，特别是涉及一种电阻抗断层图像重构方法。

背景技术

电阻抗断层成像技术(EIT，Electrical Impedance Tomography)是借鉴地质探测设备而改进来的一种新型医学成像技术，通过向被测场内施加微弱的激励电流，然后检测周围，重构出人体内部电阻抗值或者电阻抗的变化值。此外，生物组织的电特性(电导率、介电常数)能够准确反映出生物组织的生理结构和病理状态，经研究表明，病变的组织与正常的组织之间的电阻抗特性具有较大的差别。因此，作为评价生物体组织电特性的一项重要指标，生物组织电阻抗有助于对生物体的病变情况和结构特性进行判断，有助于对临床疾病的诊断，有助于对患者的病理状态进行监护，有助于对康复治疗效果进行评估。当前适用于传统的电阻抗断层成像技术，主要有以下几种方法：线性反投影算法、共轭梯度法、全变差正则化算法、灵敏度矩阵算法、牛顿-拉夫逊等。其中线性反投影算法、共轭梯度法等算法将逆问题近似转换成线性问题，得到的重建图像失真严重；而部分算法虽对问题采用了非线性的处理方法，但是算法中计算局部最优解的过程容易导致局部最小化问题的发生，这也使重建图像出现严重失真。

近年来，深度学习技术飞速发展，将深度学习应用在工业设备已经成为一种趋势。专利CN110969677A在电阻抗成像设备引入深度学习方法改善成像算法，其主要是利用深度学习基本的BP神经网络结构，探寻电极信号与场内异质物体位置的关联。但本身的数据是采用有限元仿真法产生，忽略了真实设备的噪声因素，因此仅仅是在算法上的探索，在应用上与真实设备存在较大的误差。本专利在引入深度学习的基础上，采用更加复杂的残差网络结构，相对于BP神经网络，可以学习到输入数据与输出数据更深层次的关系，且采用的数据为真实的设备产生的数据，而非有限元仿真数据，进而达到使算法的泛化性更强，图像重构精度更高的效果。

再者，由EIT设备研究出更多的电阻抗断层成像设备，专利CN108784697A是应用在设备磁探测电阻抗成像(MDEIT,Magnetic Detection Electrical ImpedanceTomography)的算法研究，其在设备上选用了磁探测方式，相对于电激励进行了优化，并在算法上也进行了探寻，其最终仍是要进行与检测目标进行接触式成像。与此相比较，本专利引用的设备是磁感应断层成像(Magnetic induction tomography，MIT)是一种非接触的电阻抗断层成像，是通过线圈驱动、线圈测量的一种非接触电阻抗断层成像(Non-contactElectrical Impedance Tomography,NCE)的方式其基本原理是放置于高频交变磁场中的目标物因电磁感应产生涡流，涡流产生感应磁场，不同电导率的目标物引起的感应磁场变化不同，检测磁场的变化，通过重构算法得到目标物内部电导率或电导率变化分布情况。MIT因具有便携、快速、无辐射、实时等优点成为医学成像研究的热点。设备可对皮肤过敏、外伤等不适合粘贴电极的情况使用。因此，本发明对MIT设备的探究，是适应于目前主流医学成像的趋势的，且具有实际应用意义的。

随着深度学习在医学技术方面的广泛应用以及电阻抗成像设备的改良，本发明受相关科技发展的启发提出于不同于传统方法的基于MIT设备的电阻抗断层成像技术，用来提升成像的精确度。

发明内容

为了克服现有的成像技术成像质量差的缺陷,本发明提供一种基于残差网络的电阻抗断层图像重构方法，结合图像处理方法重构图像。

本发明利用残差网络训练出的一种MIT设备图像重构算法，该模型是基于实体设备数据，并经过电压序列转图等操作，加上图像处理方法，使得重构图像相对于传统方法对物体位置预测更加精确，图像显示更加清晰，在同等数据集对比下，相对于传统牛顿-拉夫逊算法在位置预测形心距上提升了52.3％的准确度。

本发明实现上述发明目的所采用的技术方案如下：

一种基于残差网络的电阻抗断层图像重构方法，包括以下步骤：

S1：采用MIT设备，制作人体头骨模型和异质物体，设计不同频率进行数据采集；

S2：将采集数据从一维向量形式，转化为与图片相似的多通道矩阵形式；

S3：针对成像问题特殊性，修改残差网络结构，并自定义训练损失函数进行训练；

S4：利用训练结果生成数据，进行图像处理和优化。

进一步，所述步骤S1中，MIT设备被测场是圆形，发射电磁波的线圈分为16个，电极所接受到的数据可以传输到计算机进行转化识别。设备采用的是单激励单接收模型，具体实例中，将16个电极按照0-15顺序进行编号，激励发射的规则具体为：从0号电极发射数据，接着0-15号电极依次接收电压信号。然后是1号电极发射，0-15号电极接受信号。以此类推，设备每一帧将输出共256条数据，另外为了将频率纳入数据参考维度，每个点位采用两种频率采集数据，分别为低频f₁和高频f₂，因此一个点位会产生512个电压数据，记为u＝{u₁,u₂,…,u₅₁₂}，其中{u₁,u₂,…,u₂₅₆}为低频数据，{u₂₅₇,u₂₅₈,…,u₅₁₂}为高频数据。

再进一步，所述步骤S1中，MIT设备成像将背景设计成类似人体头骨以及大脑内部物质的电导率分布。搭建xy轴移动机器，制作盛满生理盐水的容器，容器外壳仿制成人脑头部形状且外壳采用与头骨相似电导率的物体，生理盐水的电导率设置为与大脑内部皮质的相近电导率。异质物体设计不同电导率与不同病变情况电导率相对应，由此训练出的神经网络将具有更强的泛化性。将圆形物场用三角形均匀划分，具体是采用512个大小相同的三角形进行剖分，结合不同的位置坐标以及实际的目标物体的阻值来构建场内相对电导率分布，即R＝{σ₁,σ₂,σ₃,...,σ₅₁₂}。σ_i,i∈{1,2,3,...,512}代表对应三角形区域的电导率，R即为送入神经网络训练的1×512的矩阵。

再进一步，所述步骤S2中，由于数据是由真实设备采集而非使用仿真软件得到的，所以数据存在一定的噪声。本发明采用以下两种方式进行数据预处理，用来减少训练时的噪声干扰以及放大数据的特征。第一种，在采集过程每个点位停留多帧，在数据处理过程中，选取靠后的帧数用来训练，可避免xy轴移动时所产生的噪声干扰。第二种，在设备开机时，采集场内无物体的背景帧数据作为参考帧，将采集的帧数经过与背景对比后送入网络，对比公式如下：

其中，z为校准后的送入神经网络的输入，(a′,b′)为测量时当前帧数据的实部和虚部的值，(a,b)分别被测场域为空时测出的背景帧数据的实部和虚部的值。最终得到用于训练的数据为Z＝{z₁,z₂,z₃,...,z₅₁₂}。因本发明选用的是基于残差网络的深度学习模型，残差网络起初是应用在图像分类领域，可以处理多通道的图片数据。本发明中S1提到MIT设备本身数据排列位置具有一定相关性，因此本发明将数据处理为2个矩阵H₁,H₂，作为2通道数据送入网络，具体如下：

最终在送入神经网络计算时，我们将矩阵H₁作为第一通道，矩阵H₂作为第二通道。另外考虑到频率之间存在影响，本发明引入第三通道矩阵H₃，其是由矩阵H₁和矩阵H₂进行计算得到，具体计算公式如下：

具体的，f₁为之前所述步骤S1的低频数据，f₂为之前所述步骤S1的高频数据。矩阵H₃为加权计算得来，作为输入数据的第三通道。

再进一步，所述步骤S3中，本发明引入深度学习中残差网络结构，残差网络结构可对输入数据进行不同维度的特征提取并融合。具体的，输入数据为所述步骤S2所述的3通道数据。另外在选择损失函数时，根据问题的特殊性，MIT设备成像更着重于异质物体位置显示，因此在设置损失函数时引入动态权重的公式如下：

w＝(1+y_i)*2 (4)

其中在公式(3)中，l∈{1,2,3,…,512}代表标签中的512个剖分三角形，p_l代表当前第i个数据预测结果中，第l个标签的期望输出，

代表当前第i个数据预测结果中，第l个标签的预测输出。在公式(3)和公式(4)中的w代表一个动态的权重，其值是根据标签的期望结果来的，其会随相对电导率的增大而增大，因此本发明引入的公式(3)和(4)可以使网络梯度下降方向更具有针对性，加强异质物体预测的准确性。

再进一步，在所述步骤S4中，编写前端部分的上色程序，程序在接收到神经网络预测结果即矩阵R＝{σ₁,σ₂,σ₃,…,σ₅₁₂}，上色程序根据对应的512个剖分三角形单元中找寻对应序号的三角形，根据预测的相对电导率的不同给予对应颜色的上色效果。另外在此基础上编写图像优化程序，由于成像范围剖分原因，网络中直接得出的图像具有边缘锯齿。本发明根据形态学原理，对图像进行开运算操作。具体的实例如附图3所示，图3(a)部分为相对电导率分布的标签图，图3(b)为本发明的图像重构结果。

与现有的技术相比，本发明的有益效果是：1)本发明引入无接触MIT实体设备进行算法研究，成像条件要求简单，可通过无接触测量且成像出的图像物体的位置更加精确；2)引入多频率信号数据，将电压数据根据内部相关联性，处理成多通道数据，可以使残差网络提取到多维度的数据特征；3)使用特定的损失函数配合残差网络训练，使得模型训练速度加快，结果相对于传统牛顿-拉夫逊方法精度提高；4)成像方便，采用形态学原理方法，使图像呈现更加清晰。

附图说明

图1是本发明方法的流程图；

图2a是发明的MIT设备，图2b是残差网络部分结构，图2c是图像剖分图；

图3a～图3b是本发明的实例结果，其中，图3a是相对电导率分布的标签图，3b是本发明的图像重构结果。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的描述。

参考附图，一种基于深度学习的电阻抗断层图像重构方法，包括以下步骤：

S1：采用MIT设备，制作人体头骨模型和异质物体，设计不同频率进行数据采集；

S2：将采集数据从一维向量形式，转化为与图片相似的多通道矩阵形式；

S3：针对成像问题特殊性，修改残差网络结构，并自定义训练损失函数进行训练；

S4：利用训练结果生成数据，进行图像处理和优化。

所述步骤S1中，对应图1中制作人体头骨模型和异质物体，将头骨模型置入MIT设备场内步骤。其中MIT设备被测场是圆形，发射电磁波的线圈分为16个，电极所接受到的数据可以传输到计算机进行转化识别，其与计算机连接示意图如图2a所示。设备采用的是单激励单接收模型，具体实例中，将16个电极按照0-15顺序进行编号，激励发射的规则具体为：从0号电极发射数据，接着0-15号电极依次接收电压信号。然后是1号电极发射，0-15号电极接受信号。以此类推，设备每一帧将输出共256条数据，另外为了将频率纳入数据参考维度，每个点位本发明采用两种频率采集数据，分别为低频f₁和高频f₂，因此一个点位会产生512个电压数据，记为u＝{u₁,u₂,…,u₅₁₂}，其中{u₁,u₂,…,u₂₅₆}为低频数据，{u₂₅₇,u₂₅₈,…,u₅₁₂}为高频数据。

所述步骤S1中，MIT成像将背景设计成类似人体头骨以及大脑内部物质的电导率分布。搭建xy轴移动机器，制作盛满生理盐水的容器，容器外壳仿制成人脑头部形状且外壳采用与头骨相似电导率的物体，生理盐水的电导率设置为与大脑内部皮质的相近电导率。异质物体设计不同电导率与不同病变情况电导率相对应，由此训练出的神经网络将具有更强的泛化性。将圆形物场用三角形均匀划分，具体是采用512个大小相同的三角形进行剖分，即对应图2c的剖分示意图。结合不同的位置坐标以及实际的目标物体的阻值来构建场内相对电导率分布，即R＝{σ₁,σ₂,σ₃,...,σ₅₁₂}。σ_i,i∈{1,2,3,...,512}代表对应三角形区域的电导率，R即为送入神经网络训练的1×512的矩阵。

所述步骤S2中，对应图1中采集多频率数据，将采集数据由一维向量转化为多通道矩阵步骤。由于数据是由真实设备采集而非使用仿真软件得到的，所以数据存在一定的噪声。本发明采用以下两种方式进行数据预处理，用来减少训练时的噪声干扰以及放大数据的特征。第一种，在采集过程每个点位停留多帧，在数据处理过程中，选取靠后的帧数用来训练，可避免xy轴移动时所产生的噪声干扰。第二种，在设备开机时，采集场内无物体的背景帧数据作为参考帧，将采集的帧数经过与背景对比后送入网络，对比公式如下：

其中，z为校准后的送入神经网络的输入，(a′,b′)为测量时当前帧数据的实部和虚部的值，(a,b)分别被测场域为空时测出的背景帧数据的实部和虚部的值。最终得到用于训练的数据为Z＝{z₁,z₂,z₃,...,z₅₁₂}。因本发明选用的是基于残差网络的深度学习模型，残差网络起初是应用在图像分类领域，可以处理多通道的图片数据。本发明中S1提到MIT设备本身数据排列位置具有一定相关性，因此本发明将数据处理为2个矩阵H₁,H₂，作为2通道数据送入网络，具体如下：

最终在送入神经网络计算时，我们将矩阵H₁作为第一通道，矩阵H₂作为第二通道。另外考虑到频率之间存在影响，本发明引入第三通道矩阵H₃，其是由矩阵H₁和矩阵H₂进行计算得到，具体计算公式如下：

具体的，f₁为之前所述步骤S1的低频数据，f₂为之前所述步骤S1的高频数据。矩阵H₃为加权计算得来，作为输入数据的第三通道。

所述步骤S3中，对应图1中修改残差网络结构，自定义训练损失函数进行训练步骤。本发明引入深度学习中残差网络结构，残差网络结构可对输入数据进行不同维度的特征提取并融合。具体的，输入数据为所述步骤S2所述的3通道数据。另外在选择损失函数时，根据问题的特殊性，MIT设备成像更着重于异质物体位置显示，因此在设置损失函数时引入动态权重的公式如下：

w＝(1+y_i)*2 (4)

其中在公式(3)中，l∈{1,2,3,…,512}代表标签中的512个剖分三角形，p_l代表当前第i个数据预测结果中，第l个标签的期望输出，

代表当前第i个数据预测结果中，第l个标签的预测输出。在公式(3)和公式(4)中的w代表一个动态的权重，其值是根据标签的期望结果来的，其会随相对电导率的增大而增大，因此本发明引入的公式(3)和(4)可以使网络梯度下降方向更具有针对性，加强异质物体预测的准确性。

在所述步骤S4中，对应图1中利用训练好的模型得到预测数据，并运用图像处理方法转化成清晰的图像步骤。编写前端部分的上色程序，程序在接收到神经网络预测结果即矩阵R＝{σ₁,σ₂,σ₃,…,σ₅₁₂}，上色程序根据对应的512个剖分三角形单元中找寻对应序号的三角形，根据预测的相对电导率的不同给予对应颜色的上色效果。另外在此基础上编写图像优化程序，由于成像范围剖分原因，网络中直接得出的图像具有边缘锯齿。本发明根据形态学原理，对图像进行开运算操作。具体的实例如附图3所示，图3a部分为相对电导率分布的标签图，图3b为本发明的图像重构结果。

以上实施例仅用以说明本发明的技术方案而非限制，仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于残差网络的电阻抗断层图像重构方法，其特征在于：包括以下步骤：

S1：采用MIT设备，制作人体头骨模型和异质物体，设计不同频率进行数据采集；

S2：将采集数据从一维向量形式，转化为与图片相似的多通道矩阵形式；

S3：针对成像问题特殊性，修改残差网络结构，并自定义训练损失函数进行训练；

S4：利用训练结果生成数据，进行图像处理和优化。

2.如权利要求1所述的一种基于残差网络的电阻抗断层图像重构方法，其特征在于：所述步骤S1中，MIT设备被测场是圆形，发射电磁波的线圈分为16个，电极所接受到的数据可以传输到计算机进行转化识别。采用的是单激励单接收模型。每一帧将输出共256条数据，为了将频率纳入数据参考维度，每个点位采用两种频率采集数据，分别为低频f₁和高频f₂，因此一个点位会产生512个电压数据，记为u＝{u₁,u₂,…,u₅₁₂}，其中{u₁,u₂,…,u₂₅₆}为低频数据，{u₂₅₇,u₂₅₈,…,u₅₁₂}为高频数据。

3.如权利要求1所述的一种基于残差网络的电阻抗断层图像重构方法，其特征在于：所述步骤S1中，MIT设备成像将背景设计成类似人体头骨以及大脑内部物质的电导率分布，圆形物场用三角形均匀划分，采用512个大小相同的三角形进行剖分，结合不同的位置坐标以及实际的目标物体的阻值来构建场内相对电导率分布，即R＝{σ₁,σ₂,σ₃,...,σ₅₁₂}。σ_i,i∈{1,2,3,...,512}代表对应三角形区域的电导率，R即为送入神经网络训练的1×512的矩阵。

4.如权利要求1所述的一种基于残差网络的电阻抗断层图像重构方法，其特征在于：步骤S2在采集数据时用当前帧对比背景帧降低噪声，具体步骤为：采集场内无物体的背景帧数据作为参考帧，将采集的帧数经过与背景帧数对比后送入网络，对比公式如下：

其中，z为校准后的送入神经网络的输入，(a′,b′)为测量时当前帧数据的实部和虚部的值，(a,b)分别被测场域为空时测出的背景帧数据的实部和虚部的值，最终得到用于训练的数据为Z＝{z₁,z₂,z₃,...,z₅₁₂}。

5.如权利要求4所述的一种基于残差网络的电阻抗断层图像重构方法，其特征在于，步骤S2选用基于残差网络的深度学习模型，将训练数据Z＝{z₁,z₂,z₃,...,z₅₁₂}处理为2个矩阵H₁,H₂，作为2通道数据送入网络，具体如下：

最终在送入神经网络计算时，将矩阵H₁作为第一通道，矩阵H₂作为第二通道。另外考虑到频率之间存在影响，本发明引入第三通道矩阵H₃，其是由矩阵H₁和矩阵H₂进行计算得到，具体计算公式如下：

具体的，f₁为之前所述步骤S1的低频数据，f₂为之前所述步骤S1的高频数据。矩阵H₃为加权计算得来，作为输入数据的第三通道。

6.如权利要求1所述的一种基于残差网络的电阻抗断层图像重构方法，其特征在于：步骤S3具体包括：引入深度学习中残差网络结构，根据问题的特殊性，MIT设备成像更着重于异质物体位置显示，因此在设置损失函数时引入动态权重的公式如下：

w＝(1+y_i)*2 (4)

其中在公式(3)中，l∈{1,2,3,…,512}代表标签中的512个剖分三角形，p_l代表当前第i个数据预测结果中，第l个标签的期望输出，

代表当前第i个数据预测结果中，第l个标签的预测输出；在公式(3)和公式(4)中的w代表一个动态的权重，其值是根据标签的期望结果来的，其会随相对电导率的增大而增大。

7.如权利要求1所述的一种基于残差网络的电阻抗断层图像重构方法，其特征在于：步骤S4具体包括：通过步骤S3训练的模型预测出输出数据，在输出数据的基础上，根据物体电导率不同给予不同颜色的上色效果。在此基础上编写图像优化程序，由于成像范围剖分原因，网络中直接得出的图像具有边缘锯齿。

Images