CN112754456A - 一种基于深度学习的三维电阻抗成像系统 - Google Patents

一种基于深度学习的三维电阻抗成像系统 Download PDF

Info

Publication number
CN112754456A
CN112754456A CN202110075299.7A CN202110075299A CN112754456A CN 112754456 A CN112754456 A CN 112754456A CN 202110075299 A CN202110075299 A CN 202110075299A CN 112754456 A CN112754456 A CN 112754456A
Authority
CN
China
Prior art keywords
deep learning
imaging system
image
electrical impedance
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110075299.7A
Other languages
English (en)
Other versions
CN112754456B (zh
Inventor
孙世杰
王景浩
王颖
卢旭鹏
张锐
徐立军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202110075299.7A priority Critical patent/CN112754456B/zh
Publication of CN112754456A publication Critical patent/CN112754456A/zh
Application granted granted Critical
Publication of CN112754456B publication Critical patent/CN112754456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0536—Impedance imaging, e.g. by tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4312—Breast evaluation or disorder diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Reproductive Health (AREA)
  • Gynecology & Obstetrics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开一种基于深度学习的三维电阻抗成像系统，包括：依次连接的传感器模块、数据采集控制模块及上位机模块；所述传感器模块用于形成被测区域空间的敏感场；所述数据采集控制模块用于对被测区域的表面阻抗进行测量，进行数据的初步处理并传输；所述上位机模块用于根据处理后的阻抗数据进行图像重建。本发明提供基于深度学习的三维电阻抗成像系统，可用于人体乳腺成像，通过一定的激励采集方式，可获得半球测量区域的三维表面阻抗信息，利用乳腺组织和癌症组织的电学特性差异,用于三维半球区域的电导率分布重建，本发明提供的系统可应用于女性乳腺癌早期筛查，且具有造价低、易于携带、对人体的无害的优势。

Description

一种基于深度学习的三维电阻抗成像系统
技术领域
本发明涉及三维电阻抗成像领域，特别是涉及一种基于深度学习的三维电阻抗成像系统。
背景技术
在电阻抗测量技术基础上发展起来的电阻抗成像技术(Electrical ImpedanceTomography，EIT)是一种以重建人体内部电学特性分布为目标的技术。EIT技术具有无辐射、无需特殊环境、成本低、性价比高、无创、速度快等独特的优势，正在逐渐发展成为乳腺癌早期筛查和诊断的重要补充手段，并且有望成为社区级医院甚至个人日常护理使用的便携式医疗仪器，对于减少乳腺疾病的发生、提高患者的生存率意义重大，具有广阔的应用前景。
研究表明，生物阻抗是由组织的形状、大小、结构、生理和病理状况决定的，激励频率在100MHz以下时，恶性肿瘤组织与正常组织的电导率和介电常数均存在显著差异。因此乳腺组织的生物阻抗特性可以用来区分肿瘤组织和正常乳腺组织。处于发展初期的乳腺肿瘤，尚未有明显的形态学改变，使用一般的影像学检查手段不易检查出来，但此时其电学特性已经发生变化。即乳腺组织的功能性变化往往先于器质性病变和各种症状。因而，相较其它成像方法，EIT技术对及早发现癌变独具优势，体现了EIT技术的医学价值和应用前景。
EIT技术已作为辅助筛查设备初步应用于乳腺癌筛查，但其面临着如下难题：首先，EIT技术中反问题的计算过程具有非适定性，即边界测量值的微小扰动可能引起解(电学参数分布)的巨大变化；其次，测量的信息量较小，虽然可以用增加电极个数的方法来增加测量数据量，但数据量的增加也将使计算量迅速增大。上述难题造成了EIT技术的系统分辨能力较差。
深度学习是人工智能中的一个分支，是相对于浅层学习提出的一种非线性的深层次的网络结构，与浅层学习较少的隐藏层以及其提取特征能力较差的特性相比，有着很强的自适应学习能力，可以智能地学习数据特征并处理多种信息。将深度学习应用于EIT逆问题，由于其优秀的自适应学习能力，可以很好地改善EIT逆问题求解的缺陷，对于EIT乳腺癌检测的领域有着重大意义。
发明内容
本发明公开一种基于深度学习的三维电阻抗成像系统，通过深度学习图像重建算法来实现EIT的图像重建，从而改善EIT传统重建方法的非线性等问题，获得较高的成像质量。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于深度学习的三维电阻抗成像系统，包括依次连接的传感器模块、数据采集控制模块及上位机模块；
所述传感器模块用于形成被测区域空间的敏感场；
所述数据采集控制模块用于对被测区域的表面阻抗进行测量，并进行数据的初步处理及传输；
所述上位机模块用于根据处理后的阻抗数据进行图像重建。
优选地，所述传感器模块包括半球形外壁、电极扣以及柔性PCB板；
所述柔性PCB板内铺设有连接线路；所述传感器外壁设有若干通孔；所述柔性PCB板通过所述电极扣与所述传感器外壁相连。
优选地，所述柔性PCB板上设有若干个过孔及焊盘；
所述过孔为圆环状且能够导电，并与所述电极扣相连，所述过孔沿所述柔性PCB板对称设置；
所述焊盘包括焊接接口，用于连接传输信号的屏蔽线，所述焊盘沿所述柔性PCB板对称设置；
所述过孔与所述焊盘在所述柔性PCB板上成对设置，且每个所述过孔均与其对应的所述焊盘相连。
优选地，所述数据采集控制模块包括通道切换板及核心控制板，所述核心控制板与所述通道切换板相连；
所述通道切换板用于对通道进行选择；
所述核心控制板用于对阻抗数据进行测量；
所述核心控制板设有数字信号控制模块，并通过所述数字信号控制模块对所述通道切换板的芯片引脚通断进行控制。
优选地，所述通道切换板由四个74HC4067芯片构成，对通道进行选择。
优选地，所述上位机模块包括Calderon直接图像重建算法及深度学习神经网络，用于对所述传感器模块形成的敏感区域内电导率分布进行图像重建。
优选地，所述上位机模块三维图像重建的过程为：采用Calderon算法对一组表面阻抗测量数据进行电导率的初步重建，得到初步的电导率分布图像；将所述初步的电导率分布图像作为神经网络的训练样本输入，并使用预期电导率分布二分图像作为标签对所述神经网络进行监督训练，得到训练好的神经网络；将测量得到的阻抗数据与所述初步的电导率分布图像输入到所述训练好的神经网络，得到电导率分布重建图像，并根据重建图像的异常块位置、大小信息，对重建图像结果进行定量的分析，得到电导率分布重建图像。
本发明公开了以下技术效果：
本发明提供的系统使用核心控制板及控制通道切换板对传感器电极施加激励并采集场域边界电压，可获得半球测量区域的三维表面电压信息，用于三维半球区域的电导率分布重建；利用乳腺组织和癌症组织的电学特性差异，本发明提供的传感器可应用于女性乳腺癌早期筛查，且具有造价低、易于携带、对人体的无伤害的优势；同时本发明无放射性，避免传统医学行业进行乳腺癌的检测对身体带来的伤害，能够实现基于深度学习的三维图像重建算法，结合传统重建算法和深度学习技术，提高了图像重建的质量和速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于深度学习的三维电阻抗成像系统结构示意图；
图2为本发明基于深度学习的三维电阻抗成像系统数据采集模块组成示意图；
图3为本发明基于深度学习的三维电阻抗成像系统数据采集模块通道切换板示意图；
图4为本发明基于深度学习的三维电阻抗成像系统上位机模块重建算法实现示意图；
图5为生物阻抗等效电路模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于深度学习的三维电阻抗成像系统，硬件系统包括依次连接的传感器模块、数据采集控制模块及上位机模块。
传感器模块用于形成被测区域空间的敏感场；
数据采集控制模块用于对被测区域的表面阻抗进行测量，进行数据处理并传输；
上位机模块用于根据处理后的阻抗数据进行图像重建。
传感器模块包括半球形外壁、电极扣以及柔性PCB板，在半球形传感器支撑外侧附着柔性PCB电路板，本实施例中，半球形传感器用于支撑电极扣、柔性PCB以及外接信号射频线，并且采用半球形状能够贴合女性的乳房，提高数据采集准确性。柔性PCB电路板内铺设有连接线路用于连接电极和外接信号线。
电极的布置方式为：横向以半球形传感器模块支撑的顶点为中心进行均匀分割，即以半球形传感器模块支撑的顶点为起点沿经线方向进行分割，本实施例中沿17条经线进行分割，并且相邻经线中点之间的弧长相同；在纵向上按照与球心连线与底面分别呈25°，50°，75°角的纬线方向进行分割，每条经线纬线相交的点即为电极所在位置，电极所在处使用电极将外壁与柔性PCB扣接，PCB上有SMB封装的焊盘，用以连接外部射频信号线。
如图2所示，数据采集控制模块集成了多种功能的核心控制板，作为系统的激励、采集以及扩展数字信号控制模块，通道切换板的核心由四个74HC4067芯片构成，并且由此四个芯片对通道进行选择，由核心控制板的数字信号控制模块对通道切换板的芯片引脚通断进行控制。将传感器模块与数据采集模块连接，选择通道对传感器电极进行激励并采集电压，通过核心控制板将结果传输至上位机，在上位机对传感器敏感区域内电导率分布进行图像重建，数据采集控制模块的通道切换板结构如图3所示。
如图4所示，上位机模块针对传统重建算法和传感器的限制，通过使用传统的重建算法Calderon初步重建图像，再将图像输入至神经网络中以实现对算法的优化，具体优化过程如下：
(1)在Comsol里面设计模型以及参数，通过外接matlab函数来设置电导率分布，电导率分布预先在matlab中设计，得到一组一定数量的电压对应电导率分布样本；
(2)使用Calderon算法对一组表面阻抗测量数据进行电导率的初步重建，得到初步的电导率分布图像；将重建的EIT图像作为神经网络的训练样本输入，并使用预期电导率分布二分图像作为标签对其进行监督训练；
(3)训练好神经网络之后，将测量得到的电压数据与初步重建的图像输入到训练好的神经网络，得到电导率分布重建图像，并根据重建图像的异常块位置、大小信息，对重建结果进行定量的分析。
工作原理：人体乳房由各种细胞和细胞外物质组成，其生理病理状态与其电磁效应密切相关。由于大多数生物组织表现出抗磁性反应，因此电学特性的研究具有重要意义。乳腺组织的电学特性以生物阻抗为代表，反映组织在小电流作用下的导电和介电特性，可以用来区分肿瘤和正常乳腺组织。图5是生物阻抗等效电路模型，其中C表示绝缘膜等效电容，R1和R2分别是细胞内液和细胞外液的等效电阻。
当注入的交流电处于低频时，细胞膜将作为一个隔离器，使电信号只通过细胞外液体。随着激励频率的增加，细胞膜将起到电容的作用，细胞内的液体将逐渐参与传导电流。实际上测得的电导率既包含了电容部分，也包含了电阻部分，即是一个复合电导率，实部主要受电导率分布影响，虚部主要受介电常数影响，利用电极扣所测得的电阻值(可解算出电导率分布)对应图1中的电阻部分。
本发明的三维电阻抗成像系统的测量方式采用相邻激励方法，并采用S型的测量顺序；用于电导率分布重建的电阻矩阵测量方式采用相邻激励方法，并采用S型的测量顺序，此方案可以提供较低的测量动态范围，有利于测量系统的设计，获得更好的图像质量，更能准确地反映出癌组织的形状和位置。
本发明将Calderon算法和深度学习重建算法相结合，通过Calderon获得初步重建的电导率分布图像，再与测量得到的电压数据一同输入至深度学习神经网络模型中，可以增强映射度，完成仿真与实验界限的跨越，获得较高的成像质量。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于深度学习的三维电阻抗成像系统，其特征在于，包括依次连接的传感器模块、数据采集控制模块及上位机模块；
所述传感器模块用于形成被测区域空间的敏感场；
所述数据采集控制模块用于对被测区域的表面阻抗进行测量，并进行数据的初步处理及传输；
所述上位机模块用于根据处理后的阻抗数据进行图像重建。
2.根据权利要求1所述的基于深度学习的三维电阻抗成像系统，其特征在于，所述传感器模块包括半球形外壁、电极扣以及柔性PCB板；
所述柔性PCB板内铺设有连接线路；所述传感器外壁设有若干通孔；所述柔性PCB板通过所述电极扣与所述传感器外壁相连。
3.根据权利要求2所述的基于深度学习的三维电阻抗成像系统，其特征在于，所述柔性PCB板上设有若干个过孔及焊盘；
所述过孔为圆环状且能够导电，并与所述电极扣相连，所述过孔沿所述柔性PCB板对称设置；
所述焊盘包括焊接接口，用于连接传输信号的屏蔽线，所述焊盘沿所述柔性PCB板对称设置；
所述过孔与所述焊盘在所述柔性PCB板上成对设置，且每个所述过孔均与其对应的所述焊盘相连。
4.根据权利要求1所述的基于深度学习的三维电阻抗成像系统，其特征在于，所述数据采集控制模块包括通道切换板及核心控制板，所述核心控制板与所述通道切换板相连；
所述通道切换板用于对通道进行选择；
所述核心控制板用于对阻抗数据进行测量；
所述核心控制板设有数字信号控制模块，并通过所述数字信号控制模块对所述通道切换板的芯片引脚通断进行控制。
5.根据权利要求4所述的基于深度学习的三维电阻抗成像系统，其特征在于，所述通道切换板由四个74HC4067芯片构成，对通道进行选择。
6.根据权利要求1所述的基于深度学习的三维电阻抗成像系统，其特征在于，所述上位机模块包括Calderon直接图像重建算法及深度学习神经网络，用于对所述传感器模块形成的敏感区域内电导率分布进行图像重建。
7.根据权利要求6所述的基于深度学习的三维电阻抗成像系统，其特征在于，所述上位机模块三维图像重建的过程为：采用Calderon算法对一组表面阻抗测量数据进行电导率的初步重建，得到初步的电导率分布图像；将所述初步的电导率分布图像作为神经网络的训练样本输入，并使用预期电导率分布二分图像作为标签对所述神经网络进行监督训练，得到训练好的神经网络；将测量得到的阻抗数据与所述初步的电导率分布图像输入到所述训练好的神经网络，得到电导率分布重建图像，并根据重建图像的异常块位置、大小信息，对重建图像结果进行定量的分析，得到电导率分布重建图像。
CN202110075299.7A 2021-01-20 2021-01-20 一种基于深度学习的三维电阻抗成像系统 Active CN112754456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110075299.7A CN112754456B (zh) 2021-01-20 2021-01-20 一种基于深度学习的三维电阻抗成像系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110075299.7A CN112754456B (zh) 2021-01-20 2021-01-20 一种基于深度学习的三维电阻抗成像系统

Publications (2)

Publication Number Publication Date
CN112754456A true CN112754456A (zh) 2021-05-07
CN112754456B CN112754456B (zh) 2022-10-28

Family

ID=75703538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110075299.7A Active CN112754456B (zh) 2021-01-20 2021-01-20 一种基于深度学习的三维电阻抗成像系统

Country Status (1)

Country Link
CN (1) CN112754456B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114544708A (zh) * 2022-01-17 2022-05-27 华南理工大学 基于fpga的深度学习电阻抗成像系统及成像评价方法
CN115399734A (zh) * 2022-07-11 2022-11-29 南京航空航天大学 一种乳腺癌检测传感器、检测装置、信号采集方法
CN115670422A (zh) * 2023-01-04 2023-02-03 北京华睿博视医学影像技术有限公司 电阻抗成像系统
RU2810360C1 (ru) * 2023-06-06 2023-12-27 Грайр Каренович Алексанян Способ подбора частоты инжектируемого тока для персонализации мониторинга на основе многочастотной ЭИТ

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103690166A (zh) * 2013-12-16 2014-04-02 天津科技大学 一种基于pxi总线的呼吸过程三维电阻抗成像系统及其成像方法
WO2015188779A1 (zh) * 2014-06-12 2015-12-17 中国人民解放军第四军医大学 一种用于电阻抗成像的高精度数据采集系统
CN108784697A (zh) * 2018-07-11 2018-11-13 天津工业大学 一种基于深度学习神经网络的人体组织电导率分布重建方法及系统
US20190046104A1 (en) * 2015-09-15 2019-02-14 The University Of Western Ontario Electrical impedance imaging
CN109490369A (zh) * 2018-10-08 2019-03-19 浙江大学 一种非接触式电阻抗层析成像装置及方法
US20190212284A1 (en) * 2006-04-20 2019-07-11 Jack S. Emery Impedance analysis of conductive medium
CN112147189A (zh) * 2020-09-11 2020-12-29 北京航空航天大学 一种用于二值化电容层析成像的闭环图像重建方法
CN112179950A (zh) * 2020-09-30 2021-01-05 北京航空航天大学 一种三维双模态电阻抗成像传感器及制造方法
CN112200306A (zh) * 2020-10-15 2021-01-08 北京航空航天大学 一种基于深度学习的电阻抗成像方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190212284A1 (en) * 2006-04-20 2019-07-11 Jack S. Emery Impedance analysis of conductive medium
CN103690166A (zh) * 2013-12-16 2014-04-02 天津科技大学 一种基于pxi总线的呼吸过程三维电阻抗成像系统及其成像方法
WO2015188779A1 (zh) * 2014-06-12 2015-12-17 中国人民解放军第四军医大学 一种用于电阻抗成像的高精度数据采集系统
US20190046104A1 (en) * 2015-09-15 2019-02-14 The University Of Western Ontario Electrical impedance imaging
CN108784697A (zh) * 2018-07-11 2018-11-13 天津工业大学 一种基于深度学习神经网络的人体组织电导率分布重建方法及系统
CN109490369A (zh) * 2018-10-08 2019-03-19 浙江大学 一种非接触式电阻抗层析成像装置及方法
CN112147189A (zh) * 2020-09-11 2020-12-29 北京航空航天大学 一种用于二值化电容层析成像的闭环图像重建方法
CN112179950A (zh) * 2020-09-30 2021-01-05 北京航空航天大学 一种三维双模态电阻抗成像传感器及制造方法
CN112200306A (zh) * 2020-10-15 2021-01-08 北京航空航天大学 一种基于深度学习的电阻抗成像方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUTTA BIKOWSKI 等: "2D EIT RECONSTRUCTIONS USING CALDERONS METHOD", 《INVERSE PROBLEMS AND IMAGING》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114544708A (zh) * 2022-01-17 2022-05-27 华南理工大学 基于fpga的深度学习电阻抗成像系统及成像评价方法
CN114544708B (zh) * 2022-01-17 2023-07-18 华南理工大学 基于fpga的深度学习电阻抗成像系统及成像评价方法
CN115399734A (zh) * 2022-07-11 2022-11-29 南京航空航天大学 一种乳腺癌检测传感器、检测装置、信号采集方法
CN115670422A (zh) * 2023-01-04 2023-02-03 北京华睿博视医学影像技术有限公司 电阻抗成像系统
CN115670422B (zh) * 2023-01-04 2023-03-17 北京华睿博视医学影像技术有限公司 电阻抗成像系统
RU2810360C1 (ru) * 2023-06-06 2023-12-27 Грайр Каренович Алексанян Способ подбора частоты инжектируемого тока для персонализации мониторинга на основе многочастотной ЭИТ

Also Published As

Publication number Publication date
CN112754456B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN112754456B (zh) 一种基于深度学习的三维电阻抗成像系统
US20160296135A1 (en) Electrical impedance tomography device
US20090216148A1 (en) Three-dimensional impedance imaging device
CN109745046B (zh) 一种适用于运动状态下的电阻抗成像电极与系统
CN102908125B (zh) 一种用于乳腺电阻抗扫描成像的逼真物理仿真模型
CN105455810A (zh) 一种基于生物电阻抗可测量人体成分的可穿戴脚环
EP3461254A1 (en) Electrical impedance measurement and eit image for location of a micro bio-channel under skin
CN112179950B (zh) 一种三维双模态电阻抗成像传感器及制造方法
CN102846318B (zh) 一种电阻抗成像方法
CN209847158U (zh) 电阻抗成像设备
CN114587330B (zh) 基于可伸缩电极阵列的皮肤病变三维重构系统
CN109620226B (zh) 一种电阻抗断层成像聚焦检测电极系统
CN102727198B (zh) 乳腺癌早期风险评估装置
Habibi et al. Two-dimensional dielectric spectroscopy: Implementation and validation of a scanning open-ended coaxial probe
Nakane et al. Forward electrocardiogram modeling by small dipoles based on whole-body electric field analysis
RU2153285C1 (ru) Электрический маммограф
CN115005795A (zh) 一种针灸过程中的腧穴区域皮肤电特性三维成像装置与方法
CN207306668U (zh) 一种头戴电极、检测设备和治疗设备
CN210931407U (zh) 经直肠探头和电阻抗断层成像系统
Sarode et al. LabVIEW based automatic data acquisition system for electrical impedance tomography
Lu et al. Design automation of a dynamic thorax-like mesh phantom for evaluating the performance of electrical impedance tomography system
Biasi et al. Combining physics-based simulation and machine learning for EIT-based tactile sensing
Xu et al. PEDOT: PSS hydrogel based flexible electrodes for wearable ECG monitoring
Rodriguez-Duarte et al. Experimental validation of a microwave system for brain stroke 3-d imaging. diagnostics 2021 11 1232
WO2021011757A1 (en) System and method for measuring tissue parameters by use of capacitive tactile sensor

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant