CN113902825A - 基于VDD-Net的肺部电阻抗成像方法 - Google Patents
基于VDD-Net的肺部电阻抗成像方法 Download PDFInfo
- Publication number
- CN113902825A CN113902825A CN202111225236.1A CN202111225236A CN113902825A CN 113902825 A CN113902825 A CN 113902825A CN 202111225236 A CN202111225236 A CN 202111225236A CN 113902825 A CN113902825 A CN 113902825A
- Authority
- CN
- China
- Prior art keywords
- vdd
- module
- lung
- net
- convolution
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000017105 transposition Effects 0.000 claims abstract 3
- 238000000034 method Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000002685 pulmonary effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 abstract description 10
- 238000005259 measurement Methods 0.000 abstract description 7
- 208000019693 Lung disease Diseases 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000002593 electrical impedance tomography Methods 0.000 description 20
- 210000000038 chest Anatomy 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 210000000115 thoracic cavity Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010003598 Atelectasis Diseases 0.000 description 2
- 241000521257 Hydrops Species 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 2
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 2
- 206010037423 Pulmonary oedema Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010033675 panniculitis Diseases 0.000 description 2
- 208000005333 pulmonary edema Diseases 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 210000004304 subcutaneous tissue Anatomy 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
本发明提供了一种基于VDD‑Net的肺部电阻抗成像方法,包括共轭梯度映预射模块、特征提取模块、深度图像重建模块和图像去噪模块。深度图像重建模块将测量得到的电压序列映射为场域空间分布信息,使得EIT病态问题转化为良态问题,然后通过多层卷积提取空间信息的抽象特征,并使用转置卷积运算重构肺部边界形状,重构得到的图像通过Dense连接低通滤波模块去除重构的高频噪声,得到最终的重建图像。VDD‑Net的训练数据使用包含了多种肺部边界信息的CT扫描图像,包含了肺部疾病、不同胸腔形状以及电极移动等噪声情况。经过肺部仿体模型实验,说明VDD‑Net在肺部EIT成像中对边界重建能力具有较高的准确性和对模型误差与测量噪声具有良好的鲁棒性。
Description
技术领域
本发明属于电学层析成像领域。在卷积神经网络的基础下,依次连接预重建,特征提取,图像重建,图像去噪四个子模块,主要应用于肺部呼吸状态层析成像,部分肺部疾病辅助诊断与肺部图像重建可视化领域。
背景技术
肺部成像是当今成像领域内较为热点的探究领域,新冠疫情的大规模爆发也间接促进了全球科学家积极探索新式成像方法。传统的成像设备和成像方法缺乏较强的实时性,患者在感染新冠病毒以后,需要进一步病情监测时,往往因为缺乏实时成像手段,导致病情延误。目前,市面上的主要成像技术手段包括但不限于计算机断层扫描(CT),核磁共振,超声成像,热成像。这些成像技术在疫情中往往需要搭配使用,且因为仪器不具备便携性,检测流程往往不能形成闭环,浪费了大量的时间和人力,在医疗资源较为紧张的地区,这些问题和矛盾更为突出。因此,寻找一种图像质量高,重建效率快,且不受制于仪器体积,使用场地限制的方法显得尤为重要。电阻抗成像技术,又名EIT技术(ElectricalImpedance Tomography),是一种较为前沿的成像技术,被先后用来进行脑猝出血监测成像,手腕骨受损成像以及胸腔成像。不同于传统成像技术手段,EIT技术主要基于名敏感场域内不同介质的阻抗变化情况进行成像。其主要工作机理如下:利用灵敏度理论进行正问题建模,建模的对象应为被检测场域的精细复制,得到相应的灵敏度矩阵。将易导电材质制作的电极均匀排布在人体胸腔一周,按照建模电极排布确定一号电极位置(一般为成年人乳头和第五根肋骨之间)。通过注入高频电流,测量反馈电压,结合相关迭代类或者非迭代类算法进行图像重建。所呈现图像为被测敏感场域内的阻抗变化,这种图像兼具功能性成像和结构性成像的优点。
EIT成像最重要的核心技术就是重建过程中的逆问题求解。其本质是利用差分电压来求解待测敏感场域的电导率分布情况。按照先后顺序和算法分类,逆问题求解算法可大致分为:迭代类/非迭代类算法,智能/非智能算法。代表算法有英国谢菲尔德大学巴赫教授提出的等位线反投影方法,又名LBP算法,以及在此基础上进一步衍生出的滤波等位线反投影法,单步高斯牛顿法,改进动态单步牛顿高斯算法以及静态D-Bar算法。此类算法虽然在一定程度上可以支持动态成像,但是受制于逆问题算法本身的缺陷,成像精度较低,伪影较为严重,且因为采集系统的不完善,实际的测量过程中产生的噪声无法有效消除,使得重建出来的图像很难有较好的鲁棒性。在此基础上,研究者进一步使用迭代类算法来进行图像重建,例如牛顿-拉夫逊算法,共轭梯度算法等等。但是迭代类算法的相关参数大多难以选择,迭代次数需要依靠经验和人为经验来多次实验决定,灵敏度矩阵也十分依赖于正问题模型和先验信息的准确,这极大地限制了EIT成像技术地泛化能力,也限制了其大规模临床应用。近些年来,深度学习的引入,使得高效的图像处理成为了可能,GPU的并行训练能够更好地提取图像特征,并提供了数据驱动和数据-图像驱动两种重建思路。
发明内容
电阻抗层析成像(EIT)对呼吸时肺部阻抗变化较为敏感。由于EIT图像重建是一种非线性、病态性的数学问题,故成像的低分辨率限制了其在临床上的应用。为了避免数值求解过程中的一阶线性化导致非线性信息的丢失,本发明提出了一个由4个成像模块组成的深度V型深度卷积去噪神经网络(VDD-Net)。本发明在肺部EIT成像中对边界重建能力具有较高的准确性和对模型误差与测量噪声具有良好的鲁棒性。并可以实现实时高速重建任务,实现肺部状态动态监测和可视化功能性成像。
本发明的技术方案如下:
本发明提供了一种基于VDD-Net的肺部电阻抗成像方法,VDD-Net深度卷积神经网络包括共轭梯度(CG)预映射模块、特征提取模块、深度图像重建模块和图像去噪模块。VDD-Net成像方法基于数据驱动的思路,充分表征了边界测量电压与敏感场内电导率分布之间的非线性关系,其中,利用传感阵列测量得到的208组边界电压经过差分处理作为网络的输入,经过预测得到像素值为256×256的胸腔内部电导率分布作为网络的输出。VDD-Net充分学习了U-Net的网络结构,在特征提取结构和深度图像重建结构中加入了“跳跃连接”,使得相同维度的特征提取结果与图像重建模块进行特征融合,有效地增加了前馈信息的正向传递同时明显的改善了在网络梯度反向传播过程中由于网络层数较深导致的梯度弥散问题。在深度图像重建模块之后,VDD-Net加入了基于Dense连接的卷积去噪模块,Dense连接可以使得特征重复使用并使每一次卷积后的通道进行融合,起到了对图像低通滤波的作用,有效地抑制了重建图像中可能包含的高频边缘噪声信息。
VDD-Net网络可以准确地表示肺部区域阻抗变化以及肺部区域的准确位置和边界形状。其工作流程如下:
第一歩:构建用于网络训练、验证与测试的数据库样本。使用区域生长法提取胸CT图像中的肺部区域和人体胸腔轮廓。为了在求解正问题时可以进行相应的处理,在处理胸部CT图像时将实际的胸腔轮廓进行局部平滑,避免由于局部无法微分导致的边界电压求取错误。提取胸部轮廓与肺部区域后,根据图1所示的EIT工作原理,在胸部轮廓外部近似等间距加入16个电极,其中1号电极的位置在胸部上边界的中心,其余电极的顺序为顺时针方向;根据对CT图像的处理,建立了健康条件下的肺部EIT仿体模型。其中,设置皮下组织(含脂肪)电导率为0.037S/m,肺部区域的电导率为0.038~0.142S/m,心脏的电导率为0.67S/m。首先,EIT主要用来检测肺部疾病或者肺部通气的含量,故建立了若干种肺内电导多相分布的情况。本发明随机建立了多种肺部病变仿体模型,其中包含肺水肿、肺部积液、肺不张等情况,用随机剪切20%~60%大小的健康肺部区域来模拟病态胸腔内情况。另外,对于不同的病态模型,肺部区域的电导率按照中的情况随机设置;其次,由于个体之间的差异性,充分考虑了不同年龄段、不同体型情况的胸腔轮廓,建立了多种不同的胸腔边界模型。根据上述数据扩充的方法,VDD-Net的训练集包括3000组训练集和600组测试模型。
第二步:构建VDD-Net深度网络模型,具体方案如下:
(1)输入层:利用传感阵列测量得到的208组边界电压经过差分处理作为网络的输入,经过预测得到像素值为256×256的胸腔内部电导率分布作为网络的输出
(2)预重建模块:预重建模块采用CG算法拟合边界电压与电导率分布之间的非线性映射。L0为输入边界测量得到的差分电压信号经过预重建模块得到65536个像素值向量σ。根据每一个像素对应的空间位置信息,将σ映射到维度为256×256的矩阵作为L1,即特征提取模块的输入层。
(3)特征提取模块:该部分包含5个卷积(Conv)、批量归一化(BatchNormalization,BN)模块,每个FE模块包含2个卷积层Convi(i=2,4,……,18,20)和2个BN层BNi(i=3,5,……,19,21)。该结构将输入信息压缩为的抽象特征,对应的特征图数量从3逐渐增加至128。不同模块之间的链接使用最大池化的方法对2次卷积-BN运算后的特征进行下采样。
(4)深度重建模块:L23~L46为VDD-Net的深度重建图像结构(DRk,k=1,2,3,4),该部分包含4个Conv、BN以及转置卷积模块。在k=1,2,3中每个DR模块包含2个卷积层Convi(i=24,26,30,32,36,38)、3个BN层BNi(i=23,25,27,29,31,33,35,37,39)和1个转置卷积(Transposed Convolutional,TConv)TConvi(i=22,28,34,40)层。
(5)图像去噪模块:使用了2个DenseNet-B结构,即每一个组合函数Hl(·)均包含两次BN-LeakyReLu-Conv(3×3)的运算。
第三步:设计损失函数:
损失函数在VDD-Net训练中起到了重要的作用。VDD-Net深度重建网络较为复杂,且具有多种组成部分,所以本发明定义了均方误差(MSE)的损失函数,即:
其中,fEIT(ΔV)为预测的电导率像素分布,σlabel为对应的标签电导率像素分布。
第四步:不断利用数据集训练模型,并用验证集和测试集测试网络模型的重建能力,得到适用于肺部图像重建的优秀图像重建模型。
本发明VDD-Net的主要特点如下:
1)在网络结构前端加入了预成像模块。使用共轭梯度(CG)算法将边界测量的电压信号映射为对应的场域空间分布信息,将EIT病态问题转化为良态问题,有效地改善了逆问题欠定性;
2)研究了CG方法迭代次数对成像效果的影响。研究了迭代次数在5~25次范围内的成像质量。经过计算相关图像评价指标,选择迭代11次作为CG法初始成像结果;
3)VDD-Net模型中在每一次卷积后加入了batch-normalization(BN)运算,使数据更具有规范性,可以更好地提取每一次卷积运算后的特征信息;
4)在深度卷积网络之后加入了Dense连接的卷积神经网络模块,该模块的作用类似于低通滤波器,可以滤除V型深度卷积网络重建图像的高频噪声信息,使重建图像具有更高的准确性和清晰的边界轮廓;
5)相对于传统EIT分辨率较低的情况,本发明在求解EIT网格时将32×32像素提高至256×256,可以使边界轮廓更加逼近真实情况,进而提升图像的准确性;
6)在数据集方面,加入了多种仿体分布情况,包含了不同个体胸部轮廓、多种肺部疾病以及考虑了呼吸过程中可能导致的电极移动等问题,使得VDD-Net具有更强的鲁棒性和泛化能力。
经过与数值求解方法:TV、TR、CG以及浅层卷积自编码器(CAE)的比较,本发明所提出的VDD-Net重建图像具有更高的准确性以及分辨率。
本发明结合四个子模块的工作机制,以数据-图像驱动作为基本图像重建框架,深度挖掘用于重建的数据的相关重要特征,将重建重点聚焦在ROI区域,即肺部区域上,不断优化参数和模型,使重建图像的肺部形状更加平滑,边界更加清晰,阻抗分布更加准确,伪影更少,能够极大地提升重加图像的像素分辨率,更为肺部图像的实时监测提供了一种全新的思路。
附图说明
图1为VDD-Net深度成像网络结构。
图2为Tank实验成像模型与成像结果。
图3为Dense去噪模块网络拓扑结构及连接方式,其中(a)为网络拓扑结构,(b)为连接方式。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
本发明提出了一种新的VDD-Net深度学习网络模型,其可以完成高分辨率、高精度的肺部EIT图像重建。该网络使用了CG算法作为预重建模块将测量得到的边界电压信号映射为描述场域空间分布图像,然后利用深度卷积神经网络充分提取敏感场域内的特征并重建边界清晰、伪影较少的肺部区域EIT图像。为了增强VDD—Net的泛化性能,使用结合人体结构先验信息的临床CT图像作为参考建立了多种肺部仿真模型作为VDD-Net的训练样本。使用仿真数据和与人体组织相似的仿体模型对网络的表达能力进行了测试和分析。
VDD-Net网络深度重建的步骤为:
1、构建用于训练、微调参数与测试算法性能的仿真数据库。
使用区域生长法提取胸CT图像中的肺部区域和人体胸腔轮廓。为了在求解正问题时可以进行相应的处理,在处理胸部CT图像时将实际的胸腔轮廓进行局部平滑,避免由于局部无法微分导致的边界电压求取错误。提取胸部轮廓与肺部区域后,根据图1所示的EIT工作原理,在胸部轮廓外部近似等间距加入16个电极,其中1号电极的位置在胸部上边界的中心,其余电极的顺序为顺时针方向;根据对CT图像的处理,建立了健康条件下的肺部EIT仿体模型。其中,设置皮下组织(含脂肪)电导率为0.037S/m,肺部区域的电导率为0.038~0.142S/m,心脏的电导率为0.67S/m。首先,EIT主要用来检测肺部疾病或者肺部通气的含量,故建立了若干种肺内电导多相分布的情况。本发明随机建立了多种肺部病变仿体模型,其中包含肺水肿、肺部积液、肺不张等情况,用随机剪切20%~60%大小的健康肺部区域来模拟病态胸腔内情况。另外,对于不同的病态模型,肺部区域的电导率按照中的情况随机设置;其次,由于个体之间的差异性,充分考虑了不同年龄段、不同体型情况的胸腔轮廓,建立了多种不同的胸腔边界模型。根据上述数据扩充的方法,VDD-Net的训练集包括3000组训练集和600组测试模型。
2、设计VDD-Net网络结构,具体设计方案如下:
(1)输入层:利用传感阵列测量得到的208组边界电压经过差分处理作为网络的输入,经过预测得到像素值为256×256的胸腔内部电导率分布作为网络的输出。
(2)预重建模块:预重建模块采用CG算法拟合边界电压与电导率分布之间的非线性映射。L0为输入边界测量得到的差分电压信号经过预重建模块得到65536个像素值向量σ。根据每一个像素对应的空间位置信息,将σ映射到维度为256×256的矩阵作为L1,即特征提取模块的输入层。
(3)特征提取模块:该部分包含5个卷积(Conv)、批量归一化(BatchNormalization,BN)模块,每个FE模块包含2个卷积层Convi(i=2,4,……,18,20)和2个BN层BNi(i=3,5,……,19,21)。该结构将输入信息压缩为的抽象特征,对应的特征图数量从3逐渐增加至128。不同模块之间的链接使用最大池化的方法对2次卷积-BN运算后的特征进行下采样。
(4)深度重建模块:L23~L46为VDD-Net的深度重建图像结构(DRk,k=1,2,3,4),该部分包含4个Conv、BN以及转置卷积模块。在k=1,2,3中每个DR模块包含2个卷积层Convi(i=24,26,30,32,36,38)、3个BN层BNi(i=23,25,27,29,31,33,35,37,39)和1个转置卷积(Transposed Convolutional,TConv)TConvi(i=22,28,34,40)层。
(5)图像去噪模块:如图3所示,在Dense去噪结构中,使用了2个DenseNet-B结构,即每一个组合函数Hl(·)均包含两次BN-LeakyReLu-Conv(3×3)的运算。
3、VDD-Net网络的损失函数与训练过程:
损失函数在VDD-Net训练中起到了重要的作用。VDD-Net深度重建网络较为复杂,且具有多种组成部分,所以本发明定义了均方误差(MSE)的损失函数,即:
本发明使用NvidiaRTX 2080Ti GPU加速VDD-Net的训练过程。训练过程可以描述如下:当测量得到的边界电压信号输入到VDD-Net,利用网络的正向信息流的传递可以获得一组对应的电导率分布结果。利用(2)所示的损失函数计算网络预测的结果与边界测量电压对应的标签电导率分布情况之间的误差。然后,在梯度反向传播的过程中使用Adam最优化方法来不断调整VDD-Net的参数。不断重复上述步骤,直至损失函数满足设定的收敛条件或达到最终的迭代次数来获得最优的网络模型。
图2中的第1列是4种Tank仿体模型,第2~6列分别为TV,TR,CG,CAE和VDD-Net算法对于不同模型的相应成像结果。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (5)
1.一种基于VDD-Net的肺部电阻抗成像方法,其特征在于:包括如下步骤:
第一歩:构建用于网络训练、验证与测试的数据库样本;
第二步:构建VDD-Net深度网络模型,包括:
(1)输入层:利用传感阵列测量得到的边界电压经过差分处理作为网络的输入,经过预测得到胸腔内部电导率分布作为网络的输出;
(2)预重建模块:预重建模块采用CG算法拟合边界电压与电导率分布之间的非线性映射;
(3)特征提取模块:包括多个卷积、批量归一化模块,不同特征提取模块之间的链接使用最大池化的方法对卷积-BN运算后的特征进行下采样;
(4)深度重建模块:包含多个卷积、批量归一化模块以及转置卷积模块;
(5)图像去噪模块:采用Dense连接的卷积去噪模块;
第三步:设计损失函数;
第四步:不断利用数据集训练模型,并用验证集和测试集测试网络模型的重建能力,得到适用于肺部图像重建的图像重建模型。
4.根据权利要求1所述的基于VDD-Net的肺部电阻抗成像方法,其特征在于:所述深度重建模块为4个,每个深度重建模块包含2个卷积层、3个BN层和1个转置卷积层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111225236.1A CN113902825A (zh) | 2021-10-21 | 2021-10-21 | 基于VDD-Net的肺部电阻抗成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111225236.1A CN113902825A (zh) | 2021-10-21 | 2021-10-21 | 基于VDD-Net的肺部电阻抗成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902825A true CN113902825A (zh) | 2022-01-07 |
Family
ID=79193056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111225236.1A Pending CN113902825A (zh) | 2021-10-21 | 2021-10-21 | 基于VDD-Net的肺部电阻抗成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902825A (zh) |
Cited By (3)
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 |
WO2023138694A1 (en) * | 2022-01-24 | 2023-07-27 | Gense Technologies Limited | Electrical impedance tomography based diagnostic systems and methods |
CN117274413A (zh) * | 2023-09-01 | 2023-12-22 | 南京航空航天大学 | 一种基于eit的电导率图像重建方法、系统及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859285A (zh) * | 2019-01-25 | 2019-06-07 | 天津大学 | 基于空洞卷积网络的电阻抗图像重建方法 |
-
2021
- 2021-10-21 CN CN202111225236.1A patent/CN113902825A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859285A (zh) * | 2019-01-25 | 2019-06-07 | 天津大学 | 基于空洞卷积网络的电阻抗图像重建方法 |
Non-Patent Citations (1)
Title |
---|
付荣等: "基于V-ResNet的电阻抗层析成像方法", 仪器仪表学报, 26 August 2021 (2021-08-26) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023138694A1 (en) * | 2022-01-24 | 2023-07-27 | Gense Technologies Limited | Electrical impedance tomography based diagnostic systems and methods |
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 |
CN117274413A (zh) * | 2023-09-01 | 2023-12-22 | 南京航空航天大学 | 一种基于eit的电导率图像重建方法、系统及设备 |
CN117274413B (zh) * | 2023-09-01 | 2024-04-05 | 南京航空航天大学 | 一种基于eit的电导率图像重建方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902825A (zh) | 基于VDD-Net的肺部电阻抗成像方法 | |
RU2409313C2 (ru) | Способ неинвазивного электрофизиологического исследования сердца | |
CN109859285B (zh) | 基于空洞卷积网络的电阻抗图像重建方法 | |
Liu et al. | Nonlinear difference imaging approach to three-dimensional electrical impedance tomography in the presence of geometric modeling errors | |
CN112200306B (zh) | 一种基于深度学习的电阻抗成像方法 | |
CN111513709B (zh) | 基于迭代收缩阈值算法的非局部神经网络心肌跨膜电位重建方法 | |
Herzberg et al. | Graph convolutional networks for model-based learning in nonlinear inverse problems | |
CN108053431A (zh) | 一种基于梯度分布的非刚体医学图像配准方法 | |
CN111616708A (zh) | 一种精准识别脑卒中颅内病变区域的图像重建方法 | |
CN110720915A (zh) | 一种基于gan的脑部电阻抗断层成像方法 | |
CN102012466A (zh) | 数字x射线成像系统的噪声测量方法 | |
Fu et al. | A regularization-guided deep imaging method for electrical impedance tomography | |
CN112508869A (zh) | 颅内血管图像融合方法和计算机可读存储介质 | |
Li et al. | SAR-CGAN: Improved generative adversarial network for EIT reconstruction of lung diseases | |
Ma et al. | Multi-frame constrained block sparse Bayesian learning for flexible tactile sensing using electrical impedance tomography | |
Tripura et al. | A wavelet neural operator based elastography for localization and quantification of tumors | |
Wang et al. | Shape reconstruction for Electrical Impedance Tomography with V 2 D-Net deep convolutional neural network | |
Song et al. | A nonlinear weighted anisotropic total variation regularization for electrical impedance tomography | |
Wu et al. | Bayesian shape reconstruction using B-spline level set in electrical impedance tomography | |
Zacharopoulos et al. | 3D shape reconstruction in optical tomography using spherical harmonics and BEM | |
Huang et al. | Finite element modeling of human thorax based on MRI images for EIT image reconstruction | |
CN103156604B (zh) | 超声协同的生物组织电阻抗成像方法 | |
CN115670421A (zh) | 一种基于去噪自编码器的电阻抗深度成像方法 | |
Zhang et al. | Survey of EIT image reconstruction algorithms | |
Dimas et al. | Electrical impedance tomography using a weighted bound-optimization block sparse Bayesian learning approach |
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 |