CN113808230A - 提高电阻抗成像准确性的方法、系统、装置和存储介质 - Google Patents
提高电阻抗成像准确性的方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN113808230A CN113808230A CN202110987158.2A CN202110987158A CN113808230A CN 113808230 A CN113808230 A CN 113808230A CN 202110987158 A CN202110987158 A CN 202110987158A CN 113808230 A CN113808230 A CN 113808230A
- Authority
- CN
- China
- Prior art keywords
- confidence
- reconstruction
- electrical impedance
- neural network
- impedance imaging
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims description 46
- 238000013459 approach Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 6
- 238000002593 electrical impedance tomography Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 5
- 210000000481 breast Anatomy 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6804—Garments; Clothes
- A61B5/6805—Vests
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Abstract
本发明公开了一种提高电阻抗成像准确性的方法、系统、装置和存储介质,其中方法包括:输入电流信息,采集电压信息,根据所述电流信息和所述电压信息获取电导率信息;根据所述电导率信息构建获得电导率图像;将电导率图像输入预设的神经网络进行图像重建,输出重建区域以及置信度;在不同时间上依次输入n次电流信息后,获得n个重建区域以及与重建区域对应的置信度;根据置信度获取最优的重建区域作为最终的电阻抗成像结果。本发明采用神经网络对电导率图像进行重建,获取输出重建区域以及置信度,通过采集多次信息后,根据置信度获取最优的重建区域作为最终的电阻抗成像结果,提高电阻抗成像的准确性。本发明可广泛应用于电阻抗成像领域。
Description
技术领域
本发明涉及电阻抗成像领域,尤其涉及一种提高电阻抗成像准确性的方法、系统、装置和存储介质。
背景技术
电阻抗成像(EIT),它的基本原理是根据人体内不同组织在不同的生理、病理状态下具有不同的电阻/电导率,采用各种方法给人体施加小的安全驱动电流/电压,通过驱动电流或电压在人体的测量响应信息,重建人体内部的电阻率分布或其变化的图像。
在医院或者专业机构中,通过专业设备对患者进行测试,由于专业设备穿戴麻烦,每次测量都需要花费一定的时间,患者的使用体验较差。随着传感器技术的发展,已有柔性织物传感器可以附着于日常衣服内,并且在加入柔性传感器后,与普通衣服在穿戴舒适感方面不会有任何差异。比如女性乳房的电导率成像,可以将柔性织物传感器内置于女性的胸罩中,通过内置的传感器,获得相应的电压数据,以此数据进行乳房内部组织的电导率重建,通过比对正常乳房组织的电导率,可以检测其是否有肿瘤组织。虽然这种可穿戴设备的体验较好,但可穿戴设备不同于医疗设备,其采集的数据中会含有各种各样的噪声,比如由于穿戴姿势,穿戴设备大小,测量误差等等带来的噪声,从而会影响电导率重建的准确性。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一,本发明的目的在于一种提高电阻抗成像准确性的方法、系统、装置和存储介质。
本发明所采用的技术方案是:
一种提高电阻抗成像准确性的方法,包括以下步骤:
输入电流信息,采集电压信息,根据所述电流信息和所述电压信息获取电导率信息;
根据所述电导率信息构建获得电导率图像;
将电导率图像输入预设的神经网络进行图像重建,输出重建区域以及置信度;
在不同时间上依次输入n次电流信息后,获得n个重建区域以及与重建区域对应的置信度;
根据置信度获取最优的重建区域作为最终的电阻抗成像结果。
进一步地,所述置信度通过以下方式获得:
获取经过所述神经网络中的softmax函数(层),将输出的最大值作为置信度。
进一步地,所述神经网络为分类模型,所述分类模型的分类结果的表达式为:
P,C=F(I,θ),∑pi=1 C∈(0,1)
其中,pi代表分类的概率;C代表神经网络输出的置信度,用于表征对分类结果的把握度;pi通过神经网络最后一层softmax函数得到。
进一步地,所述置信度通过以下方式获得:
在神经网络中设置一条置信度路径,以及根据置信度路径设置损失函数Lc;
将损失函数Lc与神经网络的原始损失Ls进行结合,获得总损失函数;
采用总损失函数对神经网络进行训练,并在训练后,获取损失函数Lc的值作为置信度;
其中,当神经网络输出的重建区域正确时,损失函数Lc的值近于0;当神经网络输出的重建区域错误时,损失函数Lc的值近于1。
进一步地,在神经网络中添加置信度路径后,神经网络输出的表达式如下:
p′=C*p+(1-C)*Y
其中,Y为目标分类结果;C代表神经网络输出的置信度;利用交叉熵损失函数计算原始损失Ls;
损失函数Lc的计算公式如下:
Lc=sigmoid(-log(C))
当置信度趋近于1时,损失函数Lc的值近于0;当置信趋近于0时,损失函数Lc的值近于1。
进一步地,所述根据置信度获取最优的重建区域作为最终的电阻抗成像结果,包括:
获取最大的置信度对应的重建区域作为最终的电阻抗成像结果。
进一步地,所述根据置信度获取最优的重建区域作为最终的电阻抗成像结果,包括:
将n个置信度进行降序排列,获取前m个置信度以及m个置信度对应的重建区域;
获取m个重建区域之间交叉的区域,作为重叠区域;
获取包含最多重叠区域面积对应的重建区域,作为最终的电阻抗成像结果。
本发明所采用的另一技术方案是:
一种提高电阻抗成像准确性的系统,包括:
信息采集模块,用于输入电流信息,采集电压信息,根据所述电流信息和所述电压信息获取电导率信息;
构图模块,用于根据所述电导率信息构建获得电导率图像;
图像重构模块,用于将电导率图像输入预设的神经网络进行图像重建,输出重建区域以及置信度;
重复构图模块,用于在不同时间上依次输入n次电流信息后,获得n个重建区域以及与重建区域对应的置信度;
图像选择模块,用于根据置信度获取最优的重建区域作为最终的电阻抗成像结果。
本发明所采用的另一技术方案是:
一种提高电阻抗成像准确性的装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是:
一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是:本发明采用神经网络对电导率图像进行重建,获取输出重建区域以及置信度,通过采集多次信息后,根据置信度获取最优的重建区域作为最终的电阻抗成像结果,提高电阻抗成像的准确性。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员而言,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1是本发明实施例中可穿戴设备的结构示意图;
图2是本发明实施例中可穿戴设备内传感器的电路图;
图3是本发明实施例中一种提高电阻抗成像准确性的方法的流程图;
图4是本发明实施例中电导率图像的示意图;
图5是本发明实施例中三个重建区域E‘1交叉的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右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和简化描述,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。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示,图1为可穿戴设备的示意图,在本实施例中,可穿戴设备为胸罩,但是可穿戴设备并不限于胸罩,可以为紧身衣、帽子等。基于现有的传感器技术,柔性织物传感器可以附着于日常衣服内,并且在加入柔性传感器后,与普通衣服在穿戴舒适感方面不会有任何差异。同时在洗涤,摩擦之后,传感器的性能依然不会下降,基于此种技术,可以设计对人体特定部位进行信号采集的衣物。
如图2所示,图2为可穿戴设备内传感器的电路图,在本实施例中,传感器电路包括32路电极,该电极用于输出电流信息,以及采集电压信息,32个电极分散在穿戴设备上,参见图1。具体地,与电极连接有切换开关电路,用于控制电流的输出,以及电压的采集。其中,电流输出分路包括电流源电路和D/A转换电路;电压采集分路包括滤波电路、可编程放大电路以及A/D转换电路。电流输出分路中的D/A转换电路和电压采集分路中的A/D转换电路均与FPGA连接。
基于上述的可穿戴设备,如图3所示,本实施例提供一种提高电阻抗成像准确性的方法,包括以下步骤:
S1、输入电流信息,采集电压信息,根据电流信息和电压信息获取电导率信息;
S2、根据电导率信息构建获得电导率图像;
S3、将电导率图像输入预设的神经网络进行图像重建,输出重建区域以及置信度;
S4、在不同时间上依次输入n次电流信息后,获得n个重建区域以及与重建区域对应的置信度;
S5、根据置信度获取最优的重建区域作为最终的电阻抗成像结果。
参见图1,整个可穿戴设备包含32(M)个电极,分为两层,每层16个电极,每次选择其中的2个电极作为激励电极。基于2个激励电极的工作步骤如下:
步骤1、基于2个激励电极输出激励电流,剩余的电极同时采集电压值;依次更换不同的2个电极作为激励电极,并获取相应的电压数据,可以得到一组压值,共(M-1)*(M-2)个电压数据。
步骤2、对采集到的电压数据进行预处理,去除数据中的噪声。具体可采用SVD分解或者PCA分解的方式,去除一些随机噪声。
步骤3、根据电流和去噪后的电压数据获取电导率,根据电导率构建电导率图像。如图4所示,区域E1、区域E2和区域E3分别代表女性乳房内不同的器官组织,其中,区域E4代表背景组织,即不是关键的检测部位。电阻抗成像的目标是通过测量的边界电压数据,重建其内部组织的电导率,即区域E1、区域E2、区域E3以及区域E4的电导率,同时给出区域E1、区域E2、区域E3、区域E4的准确边界。需要注意的是,基于不同的人体部位,可能获得的区域的数量不同,可能得到1个区域或者1个以上区域。
本实施例为了提高重建电导率的准确性,采用了两步重建的方式,具体的步骤如下:
步骤a、根据电导率构建电导率图像I1。该步骤采用现有的算法来实现即可,可采用线性算法或者非线性算法。
步骤b、将电导率图像I1作为神经网络的输入,神经网络的目标图像是预先设置的ground truth电导率图像;神经网络的输出重建电导率以及对应的置信度。该神经网络可以是任何合适的结构,基于电压数据的特性,卷积神经网络比较合适。在本实施例中,神经网络的输出包括区域E1和置信度区域E2和置信度区域E3和置信度等。
下面以区域E1为例,对神经网络的工作方式进行说明。
将电导率图像I1输入神经网络后,输出区域E‘1以及与区域E‘1对应的置信度其中E‘1表示E1的重建区域。上述的置信度可采用多种方式获取,比如直接将神经网络最终经过softmax函数的最大值作为置信度(即经过softmax函数(层)输出的最大值作为置信度),还可在神经网络中设置一条置信度路径,为其设置损失函数Lc,将其与神经网络的原始损失Ls结合,即总损失函数为Lt=Lc+a*Ls。Lc的设计原则确保当神经网络输出E1区域正确时,Lc接近于0,当神经网络输出E1区域错误时,Lc趋近于1。
神经网络通过以下方式进行训练:首先对神经网络进行训练,训练集是初步电导率图像,训练集的标签是真正的电导率图像。通过训练,神经网络学会在输入和输出之间建立映射关系。当神经网络训练完成生成对应的模型之后,将新的一步计算的电导率图像输入模型,即可达到最后的电导率重建图像。需要注意的是,神经网络既可以是分类模型,也可以是回归模型,都可以达到电导率重建的目的。在本实施例中以分类模型举例说明如何构建损失函数。
在添加置信分数后,输入为初步电导率图像,输出为分类结果,以及置信分数,即可通过以下公式表述:
P,C=F(I,θ),∑pi=1 C∈(0,1)
pi代表分类的概率,C代表神经网络输出的置信分数,表征对分类结果的把握度。
显然,pi通过神经网络最后一层softmax得到。C可以通过一个单调的线性或者非线性,取值范围在(0,1)区间的函数获得。常用的比如sigmoid函数。
在添加置信度分支之后,新的输出p′通过如下形式获得:
p′=C*p+(1-C)*Y
Y为目标分类结果。
基于p′,利用交叉熵损失函数计算分类损失Ls。Lc置信损失函数,直接使用其对数形式,即:Lc=sigmoid(-log(C))。当置信度趋近于1时,置信损失为0,当置信趋近于0时,置信损失趋近于1。
因此总损失函数为:Lt=Lc+a*Ls。a为超参数,用于调节两种损失的比例关系。
通过以上步骤即可完成一次完整的电导率重建,获得重建区域以及与重建区域对应的置信度。由于可穿戴设备的体验较好,患者可长时间进行佩戴,因此在检测时间上具有优点。可穿戴设备可进行多次测量,次数用N表示。按照上述步骤,可获得N个重建区域E‘1的结果以及对应的置信度。置信度用C={c1,c2,…,cn}表示。根据置信度C从N个重建区域E‘1中选出最优的重建区域作为区域E1。
具体地,最优的重建区域E‘1可通过以下方式获取:
在一些可选的实施例中,选取最大置信度C对应的重建区域作为优的重建区域E‘1。
在一些可选的实施例中,参见图5,对置信度进行降序排列,获取前三个最高的置信度对应的重建区域,检测者三个重建区域之间两两交叉的面积(即重叠面积),若哪个重建区域中包含最多的重叠面积,则该重建区域作为最优的重建区域E‘1。如图5中,三个重建区域的置信度分别为:0.9、0.92、0.95,其中,置信度为0.92对于的重建区域的重叠面积最大,则选取该重建区域作为最优的重建区域E‘1。
通过上述的方式,同理可以获得区域E2对应的最优的重建区域E‘2,以及区域E3对应的最优的重建区域E‘3。通过获得的重建区域,构建最终的电阻抗成像。
综上所述,本实施例相对于现有技术,具有如下有益效果:
(1)重建电导率的神经网络中引入置信度分数,用于识别神经网络计算结果的把握度(即置信),提高电导率重建的准确度。
(2)借助于可穿戴设备的便捷性,可以多次测量,通过置信度指标进行筛选,进一步提高计算结果的准确性。
(3)最终实现将医院复杂专业设备上达到的效果在可穿戴的衣物上也能达到同样的效果,这样既方便用户,也使得医生对患者的状况可以及时掌握。
本实施例还提供了一种提高电阻抗成像准确性的系统,包括:
信息采集模块,用于输入电流信息,采集电压信息,根据所述电流信息和所述电压信息获取电导率信息;
构图模块,用于根据所述电导率信息构建获得电导率图像;
图像重构模块,用于将电导率图像输入预设的神经网络进行图像重建,输出重建区域以及置信度;
重复构图模块,用于在不同时间上依次输入n次电流信息后,获得n个重建区域以及与重建区域对应的置信度;
图像选择模块,用于根据置信度获取最优的重建区域作为最终的电阻抗成像结果。
本实施例的一种提高电阻抗成像准确性的系统,可执行本发明方法实施例所提供的一种提高电阻抗成像准确性的方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本实施例还提供了一种提高电阻抗成像准确性的装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现图3所示方法。
本实施例的一种提高电阻抗成像准确性的装置,可执行本发明方法实施例所提供的一种提高电阻抗成像准确性的方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图3所示的方法。
本实施例还提供了一种存储介质,存储有可执行本发明方法实施例所提供的一种提高电阻抗成像准确性的方法的指令或程序,当运行该指令或程序时,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述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机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说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,该计算机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机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种提高电阻抗成像准确性的方法,其特征在于,包括以下步骤:
输入电流信息,采集电压信息,根据所述电流信息和所述电压信息获取电导率信息;
根据所述电导率信息构建获得电导率图像;
将电导率图像输入预设的神经网络进行图像重建,输出重建区域以及置信度;
在不同时间上依次输入n次电流信息后,获得n个重建区域以及与重建区域对应的置信度;
根据置信度获取最优的重建区域作为最终的电阻抗成像结果。
2.根据权利要求1所述的一种提高电阻抗成像准确性的方法,其特征在于,所述置信度通过以下方式获得:
获取经过所述神经网络中的softmax函数,将输出中的最大值作为置信度。
3.根据权利要求1所述的一种提高电阻抗成像准确性的方法,其特征在于,所述神经网络为分类模型,所述分类模型的分类结果的表达式为:
P,C=F(I,θ),∑pi=1 C∈(0,1)
其中,pi代表分类的概率;C代表神经网络输出的置信度,用于表征对分类结果的把握度;pi通过神经网络最后一层softmax函数得到。
4.根据权利要求3所述的一种提高电阻抗成像准确性的方法,其特征在于,所述置信度通过以下方式获得:
在神经网络中设置一条置信度路径,以及根据置信度路径设置损失函数Lc;
将损失函数Lc与神经网络的原始损失Ls进行结合,获得总损失函数;
采用总损失函数对神经网络进行训练,并在训练后,获取损失函数Lc的值作为置信度;其中,当神经网络输出的重建区域正确时,损失函数Lc的值近于0;当神经网络输出的重建区域错误时,损失函数Lc的值近于1。
5.根据权利要求4所述的一种提高电阻抗成像准确性的方法,其特征在于,在神经网络中添加置信度路径后,神经网络输出的表达式如下:
p′=C*p+(1-C)*Y
其中,Y为目标分类结果;C代表神经网络输出的置信度;利用交叉熵损失函数计算原始损失Ls;
损失函数Lc的计算公式如下:
Lc=sigmoid(-log(C))
当置信度趋近于1时,损失函数Lc的值近于0;当置信趋近于0时,损失函数Lc的值近于1。
6.根据权利要求1所述的一种提高电阻抗成像准确性的方法,其特征在于,所述根据置信度获取最优的重建区域作为最终的电阻抗成像结果,包括:
获取最大的置信度对应的重建区域作为最终的电阻抗成像结果。
7.根据权利要求1所述的一种提高电阻抗成像准确性的方法,其特征在于,所述根据置信度获取最优的重建区域作为最终的电阻抗成像结果,包括:
将n个置信度进行降序排列,获取前m个置信度以及m个置信度对应的重建区域;
获取m个重建区域之间交叉的区域,作为重叠区域;
获取包含最多重叠区域面积对应的重建区域,作为最终的电阻抗成像结果。
8.一种提高电阻抗成像准确性的系统,其特征在于,包括:
信息采集模块,用于输入电流信息,采集电压信息,根据所述电流信息和所述电压信息获取电导率信息;
构图模块,用于根据所述电导率信息构建获得电导率图像;
图像重构模块,用于将电导率图像输入预设的神经网络进行图像重建,输出重建区域以及置信度;
重复构图模块,用于在不同时间上依次输入n次电流信息后,获得n个重建区域以及与重建区域对应的置信度;
图像选择模块,用于根据置信度获取最优的重建区域作为最终的电阻抗成像结果。
9.一种提高电阻抗成像准确性的装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现权利要求1-7任一项所述方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987158.2A CN113808230A (zh) | 2021-08-26 | 2021-08-26 | 提高电阻抗成像准确性的方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987158.2A CN113808230A (zh) | 2021-08-26 | 2021-08-26 | 提高电阻抗成像准确性的方法、系统、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113808230A true CN113808230A (zh) | 2021-12-17 |
Family
ID=78894177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110987158.2A Pending CN113808230A (zh) | 2021-08-26 | 2021-08-26 | 提高电阻抗成像准确性的方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808230A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830156A (zh) * | 2022-05-10 | 2023-03-21 | 深圳市元甪科技有限公司 | 精准电阻抗层析成像方法、装置、系统、介质及设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180014748A1 (en) * | 2016-07-15 | 2018-01-18 | National Chiao Tung University | Post processing system and post processing method for electrical impedance tomography images |
CN109598768A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于卷积神经网络的电学层析成像图像重建方法 |
CN109635004A (zh) * | 2018-12-13 | 2019-04-16 | 广东工业大学 | 一种数据库的对象描述提供方法、装置及设备 |
CN109674471A (zh) * | 2018-12-18 | 2019-04-26 | 中国科学技术大学 | 一种基于生成对抗网络的电阻抗成像方法及系统 |
CN109684920A (zh) * | 2018-11-19 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 物体关键点的定位方法、图像处理方法、装置及存储介质 |
CN109756837A (zh) * | 2017-11-03 | 2019-05-14 | 北京嘀嘀无限科技发展有限公司 | 定位方法及装置 |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
CN111248909A (zh) * | 2020-01-19 | 2020-06-09 | 上海交通大学 | 基于生物电阻抗断层成像的医疗成像系统、方法及设备 |
CN111291739A (zh) * | 2020-05-09 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 面部检测、图像检测神经网络训练方法、装置和设备 |
CN111311703A (zh) * | 2020-01-21 | 2020-06-19 | 浙江工业大学 | 一种基于深度学习的电阻抗断层图像重构方法 |
CN111507396A (zh) * | 2020-04-15 | 2020-08-07 | 广州大学 | 缓解神经网络对未知类样本产生错误分类的方法及装置 |
CN111753575A (zh) * | 2019-03-26 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 文本识别方法、装置及设备 |
US20210027461A1 (en) * | 2019-07-24 | 2021-01-28 | Timpel Medical B.V. | Systems and methods for determining a fluid and tissue volume estimations using electrical property tomography |
CN112364911A (zh) * | 2020-11-06 | 2021-02-12 | 东北石油大学 | 电阻率成像的反演方法、装置及存储介质 |
CN112381223A (zh) * | 2020-11-13 | 2021-02-19 | 上海商汤智能科技有限公司 | 神经网络训练与图像处理方法及装置 |
CN113077793A (zh) * | 2021-03-24 | 2021-07-06 | 北京儒博科技有限公司 | 一种语音识别方法、装置、设备及存储介质 |
-
2021
- 2021-08-26 CN CN202110987158.2A patent/CN113808230A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180014748A1 (en) * | 2016-07-15 | 2018-01-18 | National Chiao Tung University | Post processing system and post processing method for electrical impedance tomography images |
CN109756837A (zh) * | 2017-11-03 | 2019-05-14 | 北京嘀嘀无限科技发展有限公司 | 定位方法及装置 |
CN109598768A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于卷积神经网络的电学层析成像图像重建方法 |
CN109684920A (zh) * | 2018-11-19 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 物体关键点的定位方法、图像处理方法、装置及存储介质 |
CN109635004A (zh) * | 2018-12-13 | 2019-04-16 | 广东工业大学 | 一种数据库的对象描述提供方法、装置及设备 |
CN109674471A (zh) * | 2018-12-18 | 2019-04-26 | 中国科学技术大学 | 一种基于生成对抗网络的电阻抗成像方法及系统 |
CN111753575A (zh) * | 2019-03-26 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 文本识别方法、装置及设备 |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
US20210027461A1 (en) * | 2019-07-24 | 2021-01-28 | Timpel Medical B.V. | Systems and methods for determining a fluid and tissue volume estimations using electrical property tomography |
CN111248909A (zh) * | 2020-01-19 | 2020-06-09 | 上海交通大学 | 基于生物电阻抗断层成像的医疗成像系统、方法及设备 |
CN111311703A (zh) * | 2020-01-21 | 2020-06-19 | 浙江工业大学 | 一种基于深度学习的电阻抗断层图像重构方法 |
CN111507396A (zh) * | 2020-04-15 | 2020-08-07 | 广州大学 | 缓解神经网络对未知类样本产生错误分类的方法及装置 |
CN111291739A (zh) * | 2020-05-09 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 面部检测、图像检测神经网络训练方法、装置和设备 |
CN112364911A (zh) * | 2020-11-06 | 2021-02-12 | 东北石油大学 | 电阻率成像的反演方法、装置及存储介质 |
CN112381223A (zh) * | 2020-11-13 | 2021-02-19 | 上海商汤智能科技有限公司 | 神经网络训练与图像处理方法及装置 |
CN113077793A (zh) * | 2021-03-24 | 2021-07-06 | 北京儒博科技有限公司 | 一种语音识别方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830156A (zh) * | 2022-05-10 | 2023-03-21 | 深圳市元甪科技有限公司 | 精准电阻抗层析成像方法、装置、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6557767B2 (ja) | 多数の画像取得または再構築を使用する画像ベースのオブジェクトモデリングのためのシステム及び方法 | |
Harikumar et al. | Electrical impedance tomography (EIT) and its medical applications: a review | |
CN106456078B (zh) | 用于对血流储备分数的基于机器学习的评估的方法和系统 | |
JP5208749B2 (ja) | 水和状態監視 | |
AU2008251033B2 (en) | Indicator | |
CN101564294B (zh) | 一种结构信息融合的电阻抗断层成像方法 | |
RU2409313C2 (ru) | Способ неинвазивного электрофизиологического исследования сердца | |
CN110555388A (zh) | 基于cnn和lstm的心内异常激动点定位模型构建方法 | |
US20080287823A1 (en) | Index Determination | |
EP3471054B1 (en) | Method for determining at least one object feature of an object | |
CN114270397A (zh) | 使用电特性断层成像确定流体和组织体积估计的系统和方法 | |
CN113808230A (zh) | 提高电阻抗成像准确性的方法、系统、装置和存储介质 | |
Li et al. | Electrical-impedance-tomography imaging based on a new three-dimensional thorax model for assessing the extent of lung injury | |
CN106821380B (zh) | 基于乘性正则化的生物医学电阻抗成像方法和装置 | |
CN113164053A (zh) | 用于生物阻抗身体组成测量的系统及方法 | |
KR20120108235A (ko) | 가상의 생체 모델을 이용하여 실제 생체 신호 측정에 이용되는 최적의 파라미터를 결정하는 방법 및 장치 | |
AU2004224836A1 (en) | Diagnosis of disease by determination of electrical network properties of a body part | |
CN115736877A (zh) | 聚焦式心脏电阻抗成像方法 | |
CN117274413B (zh) | 一种基于eit的电导率图像重建方法、系统及设备 | |
Shi et al. | Compensation of contact impedance variation for cerebral electrical impedance tomography | |
Kodogiannis et al. | Neural network-based approach for the classification of wireless-capsule endoscopic images | |
Miri et al. | Applicability of body surface potential map in computerized optimization of biventricular pacing | |
Yang et al. | Activation recovery interval imaging of premature ventricular contraction | |
JP7401474B2 (ja) | 組織コンダクタンス等方性を測定するためのシステム | |
CA2802505A1 (en) | Tissue indicator determination |
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 |