CN115830156B - 精准电阻抗层析成像方法、装置、系统、介质及设备 - Google Patents
精准电阻抗层析成像方法、装置、系统、介质及设备 Download PDFInfo
- Publication number
- CN115830156B CN115830156B CN202210508941.0A CN202210508941A CN115830156B CN 115830156 B CN115830156 B CN 115830156B CN 202210508941 A CN202210508941 A CN 202210508941A CN 115830156 B CN115830156 B CN 115830156B
- Authority
- CN
- China
- Prior art keywords
- detected
- electrical impedance
- impedance tomography
- image reconstruction
- real
- 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.)
- Active
Links
- 238000002593 electrical impedance tomography Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 53
- 238000003384 imaging method Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 description 16
- 230000004913 activation Effects 0.000 description 7
- 210000004072 lung Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000002496 gastric effect Effects 0.000 description 2
- 238000002847 impedance measurement Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 231100001095 no nephrotoxicity Toxicity 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种精准电阻抗层析成像方法、装置、系统、介质及设备，精准电阻抗层析成像方法包括将待检测对象的几何结构信息发送至云端平台；从所述云端平台获取基于所述几何结构信息训练的精准图像重建模型；获取待检测对象的实时边界电压测量向量；将所述实时边界电压测量向量输入所述图像重建模型以获取待检测对象的目标图像。以解决现有技术中EIT系统实时成像质量低、只能进行定性成像的技术问题。
Description
技术领域
本发明涉及层析成像的技术领域，特别涉及一种精准电阻抗层析成像方法、装置、系统、介质及设备。
背景技术
现有技术中，电阻抗层析成像(Electrical Impedance Tomography,EIT)是一种新兴的生物医学和工业过程成像技术，其在工业过程检测、医学成像以及科学研究等领域均获得了广泛的关注。特别是在生物医学成像方面，EIT因为其具有非侵入、非放射、无肾毒性等显著优点，同时具有较高的时间分辨率，因此其可以检测被测对象的快速变化。此外，与X射线、计算机层析成像(CT)和核磁共振层析成像(MRI)等传统成像技术相比，电阻抗层析成像(EIT)系统具有便携和低成本的优点，因此有潜力在早期诊断、快速诊断的应用场景进行推广。
EIT的研究和应用多围绕肺部、胸部和胃肠成像、乳腺癌诊断以及脑部成像等领域。EIT的新兴应用场景还包括三维细胞培养的动态长期监测以及可视化评估，以及监测急性呼吸窘迫综合征(ARDS)病人的呼吸状况。
现有的EIT系统在实时成像中一般集成基于EIT线性模型的图像重建算法(大部分为单步算法)，并且一般基于固定的近似前向模型，需要的计算量较大且其成像分辨率较差，使EIT成像局限于定性成像而非定量成像，同时对个体化差异较大的成像对象会造成较大模型误差。
发明内容
本发明的目的在于提供一种精准电阻抗层析成像方法、装置、系统、介质及设备，解决现有技术中EIT系统只能够支持固定的通用前向模型和定性成像方法的技术问题。
为了实现上述目的，本发明提出一种精准电阻抗层析成像方法，所述精准电阻抗层析成像方法包括：
将待检测对象的几何结构信息发送至云端平台；
从所述云端平台获取基于所述几何结构信息训练的精准图像重建模型；
获取待检测对象的实时边界电压测量向量；
将所述实时边界电压测量向量输入所述图像重建模型以进行电阻抗层析成像以获取待检测对象的目标图像。
进一步地，所述云端平台获取基于所述几何结构信息训练的精准图像重建模型的方式如下：
获取待检测对象的几何结构信息；
根据所述待检测对象获取多个辅助诊断信息；
根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集；
通过所述训练集和所述验证集对神经网络模型进行训练以得到精准图像重建模型。
进一步地，所述获取待检测对象的几何结构信息的步骤包括：
获取待检测对象的辅助成像信息；
根据所述辅助成像信息确定所述待检测对象的几何结构信息。
进一步地，所述神经网络模型由以下方式获取：
对所述几何结构信息进行前向模型定制化以获取神经网络模型。
进一步地，所述图像重建模型包括初始猜测单元和去噪单元：所述将所述实时边界电压测量向量输入所述图像重建模型以获取待检测对象的目标图像的步骤包括：
将所述实时边界电压测量向量输入所述初始猜测单元进行矩阵运算以生成初始向量；
将所述初始向量输入所述去噪单元进行连续电导率图像重建以获取待检测对象的目标图像。
进一步地，所述初始猜测单元包括至少一个全连接层，所述全连接层的激活函数为ReLU函数；
所述去噪单元包括至少三级收缩层、至少三级扩张层以及卷积层；所述卷积层具有1*1核以及ReLU激活函数；
每一级所述收缩层均包括依次串行的两个卷积层以及一个池化层；
每一级所述扩张层均包括依次串行的两个卷积层以及一个上采样层。
进一步地，所述将所述实时边界电压测量向量输入所述图像重建模型以进行电阻抗层析成像以获取待检测对象的目标图像之后还包括：
通过级联分析算法对所述目标图像进行诊断分析。
为了实现上述目的，本发明还提出一种精准电阻抗层析成像系统，所述精准电阻抗层析成像系统包括：
可配置的EIT硬件电路架构，用于采集待检测对象的实时边界电压测量向量；
人工智能边缘计算平台，所述人工智能边缘计算平台用于实现如上所述的精准电阻抗层析成像方法。
为了实现上述目的，本发明还提出一种精准电阻抗层析成像装置，所述精准电阻抗层析成像装置包括：
采集模块，获取待检测对象的几何结构信息以及获取待检测对象的实时边界电压测量向量，并根据所述待检测对象获取多个辅助诊断信息；
数据生成模块，根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集；
训练模块，通过所述训练集和所述验证集对神经网络模型进行训练以得到图像重建模型；
执行模块，将所述实时边界电压测量向量输入所述图像重建模型以进行电阻抗层析成像以获取待检测对象的目标图像。
为了实现上述目的，本发明还提出一种介质，所述介质中存储有至少一可执行指令，所述可执行指令在设备上运行时，使得设备执行如上所述的精准电阻抗层析成像方法的操作。
为了实现上述目的，本发明还提出一种设备，包括：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的精准电阻抗层析成像方法
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的精准电阻抗层析成像方法的操作。
本发明的精准电阻抗层析成像方法在云端平台针对待检测对象训练出特定的精准图像重建模型，由于精准图像重建模型是根据待检测对象的几何结构信息辅助诊断信息实时训练而成，从而提高了训练后的精准图像重建模型与所述待检测对象的匹配度，从而保证了后续实时边界电压测量向量输入所述图像重建模型获取待检测对象的目标图像的准确性，使得EIT系统的前向模型和精准图像重建模型可以根据待检测对象进行精准匹配，并通过本申请的方法实现实时精准图像重建，从而解决现有EIT系统实时图像重建质量低、只能进行定性成像的技术问题。
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的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中精准电阻抗层析成像方法的流程示意图。
图2为一个实施例中精准电阻抗层析成像系统的系统框图。
图3为一个实施例中精准电阻抗层析成像系统的可配置EIT硬件供电模块示意图。
图4为一个实施例中精准电阻抗层析成像装置的模块示意图。
图5为一个实施例中设备的模块示意图。
图6为一个实施例中图像重建模型的网络结构示意图。
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作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。
为了解决现有技术中EIT系统实时图像重建质量低、只能进行定性成像的技术问题，本发明提出一种精准电阻抗层析成像方法以及装置、介质及设备。
在一实施例中，如图1所示，所述精准电阻抗层析成像方法包括：
S100、将待检测对象的几何结构信息发送至云端平台；
其中，几何结构信息是指包括了待检测对象大小以及轮廓的信息。待检测对象可以是某个器官组织类型，例如肺部、胸部、胃肠、乳腺以及脑部等部位。
S200、从所述云端平台获取基于所述几何结构信息训练的精准图像重建模型；
S300、获取待检测对象的用实时边界电压测量向量；
其中，实时边界电压测量向量可以通过EIT传感器进行获取。
S400、将所述实时边界电压测量向量输入所述精准图像重建模型以进行电阻抗层析成像以获取待检测对象的目标图像。
上述实施例中，在云端平台针对待检测对象训练出特定的精准图像重建模型，由于精准图像重建模型是根据待检测对象的几何结构信息训练而成，从而提高了训练后的精准图像重建模型与所述待检测对象的匹配度，从而保证了后续实时边界电压测量向量(输入EIT测量向量)输入所述精准图像重建模型获取待检测对象的目标图像的准确性，使得EIT系统的前向模型和精准图像重建模型可以根据待检测对象进行精准匹配，并通过上述方案，实现实时精准图像重建，从而解决现有EIT系统实时图像重建质量低、只能进行定性成像的技术问题。
可选地，本申请的精准电阻抗层析成像方法可以特地设置有一个人工智能边缘计算平台，人工智能边缘计算平台将在云端平台训练好的神经网络模型下载(实施/集成)在人工智能边缘计算平台上，该计算平台从可配置EIT电路实时获取测量电压向量，并输入给训练好的神经网络模型，从而实现实时、精准图像重建。如果没有人工智能边缘计算平台，则只能在云端平台实现离线精准成像，而非实时成像。
在一实施例中，所述云端平台获取基于所述几何结构信息训练的精准图像重建模型的方式如下：
获取待检测对象的几何结构信息；
其中，几何结构信息是指包括了待检测对象大小以及轮廓的信息。待检测对象可以是某个器官组织类型，例如肺部、胸部、胃肠、乳腺以及脑部等部位。
根据所述待检测对象获取多个辅助诊断信息；
其中，当待检测对象为肺部，此时的辅助诊断信息为多种肺部表现为各种状态的边界电压测量向量，此时的辅助诊断信息可以通过预先建立的数据库获取，各种状态实际是指肺部处于不同病变状态下，或者处于正常状态下。
根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集；
其中，根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集，可以提升数据生成训练集以及验证集的可靠性。
可选地，可以通过对采集待检测对象的EIT传感器进行有限元仿真并计算其前向问题获得大量的仿真数据集。辅助诊断信息在此过程中为有限元建模和仿真提供成像对象和传感器的准确几何分布/特征。此实施例的仿真过程使用相邻电流注入和测量模式，电导率空间分布通过对1至4个具有随机位置、尺寸，且电导率分布在0.0001S/m至0.05S/m之间的圆形物体进行仿真而建立。背景电导率设置为0.05S/m。训练集由6000个各种类型、各种数量的圆形辅助诊断信息组成，验证集由每种类型各500个辅助诊断信息组成，而测试集则由535个包含1个物体的样本，798个包含2个物体的样本，1000个包含3个物体的样本和1000个包含四个物体的样本组成。
需要说明的是，以上仅仅例举了一种验证集以及训练集的生成方式，但是在实际应用过程中并不仅仅局限于这一种。
可选地，另外，考虑在实际应用场景中测量系统噪声的影响，在训练集和验证集中均加入了高斯噪声来使模型变得更为稳健。
通过所述训练集和所述验证集对神经网络模型进行训练以得到图像重建模型；
在上述实施方案中，通过获取待检测对象的几何结构信息以进一步获取多个辅助诊断信息，然后根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集；并通过所述训练集和所述验证集对神经网络模型进行训练以得到图像重建模型，从而使得在待检测对象改变时，可以针对待检测对象训练出特定的图像重建模型，由于训练集以及验证集并不是通用训练集，而是根据几何结构信息以及多个所述辅助诊断信息生成，从而提高了训练后的图像重建模型与所述待检测对象的匹配度。
在一实施例中，所述获取待检测对象的几何结构信息的步骤包括：
获取待检测对象的辅助成像信息；
其中，待检测对象可以是的某个器官组织类型，例如肺部、胸部、胃肠、乳腺以及脑部等部位。辅助成像信息可以是辅助成像模态如CT、MRI、光学等获取的信息。
根据所述辅助成像信息确定所述待检测对象的几何结构信息。
在上述实施例中，可以对所述辅助成像信息进行图像预处理来确定待检测对象的几何结构信息，而在获取待检测对象的辅助成像信息时，是获取的待检测对象的CT、MRI、光学检测的图像，具有唯一对象性，可以提高几何结构信息的准确度。从而可以使得后续确定的几何结构信息无限贴合对应的待检测对象的实际状态，从而可以保证几何结构信息与待检测对象的匹配度极高。
需要说明的是，图像预处理对输入图像进行特征抽取、分割和匹配前所进行的处理，因此可以通过图像预处理来确定待检测对象的几何结构信息。
在一实施例中，所述神经网络模型由以下方式获取：
对所述几何结构信息进行前向模型定制化以获取神经网络模型。
其中，前向模型定制化实际是指一种建模方法，可以根据几何结构信息来建立更为贴合的EIT前向模型，从而提高EIT前向模型对待检测对象的匹配度，减少个体化差异较大的成像对象造成的模型误差。
在一实施例中，所述图像重建模型包括初始猜测单元和去噪单元：所述将所述实时边界电压测量向量输入所述图像重建模型以获取待检测对象的目标图像的步骤包括：
将所述实时边界电压测量向量输入所述初始猜测单元进行矩阵运算以生成初始向量；
将所述实时边界电压测量向量输入所述去噪单元进行连续图像重建以获取待检测对象的目标图像。
其中，通过上述方案，可以将图像重建模型分为两部分，进一步实现实时定量成像，保证成像质量，提高几何信息与电导率分布的准确程度。
在一实施例中，参考图6所示，所述初始猜测单元包括至少一个全连接层(FullyConnected)，所述全连接层由ReLU激活函数组成；其可以为初始向量的生成提供矩阵运算。
所述去噪单元包括至少三级收缩层、至少三级扩张层以及卷积层；所述卷积层具有1*1核(Conv)以及ReLU激活函数；
其中，ReLU激活函数被用来提供连续电导率的图像重建能力。
每一级所述收缩层均包括依次串行的两个卷积层以及一个池化层(MaxPooling)；
其中，收缩层的卷积层具有3*3核(Conv)以及ReLU激活函数。
每一级所述扩张层均包括依次串行的两个卷积层以及一个上采样层(Upsample)。
扩张层的卷积层具有3*3核(Conv)以及ReLU激活函数。
其中，卷积层可以对特征进行提取，每一所述收缩层的两次卷积之后的特征图输出至对应的所述扩张层的两个卷积层的输入端，如图6所示的copy箭头所指示的输入方向，也即前一层的上采样层之后，通过上述方案，可以极大程度上提高图像重建模型的特征提取能力，从而增强目标图像的重建能力，提高其精确度。实现定量成像以及精准EIT成像。
可选地，上采样层具有如下PyTorch参数：mode＝'bilinear'和align_corners＝False。
进行定量成像，提高成像质量，实现精准的EIT成像。
在一实施例中，所述将所述实时边界电压测量向量输入所述图像重建模型以进行电阻抗层析成像以获取待检测对象的目标图像之后还包括：
通过级联分析算法对所述目标图像进行诊断分析。
其中，级联分析算法可以针对目标图像进行诊断分析，能够精准的提取相关成像对象的信息。
可选地，本实施例应用了轮廓识别算法，该算法基于Suzuki和Abe等人提出的二值图像边界跟随算法。OpenCV库中的函数findContours()被用于实现这一算法。
神经网络的目标图像输出是一个64*64的NumPy数组，其值在0和1之间，数据格式为float32，其通过级联分析算法对所述目标图像进行诊断分析的过程为：
步骤1：对图片进行形态学开运算来去除其上的白色噪声。
步骤2：应用OpenCV库中的阈值函数threshold()将图像转换为二值图像。当阈值被选定之后，低于其值的像素被设置为0(黑色)，而高于其值的像素被设置为1(白色)。本发明中阈值的默认值为0.1，但通过UI界面其值可以被人为设定。
步骤3：将二值图像随后被转换为灰度图像，这是因为OpenCV库中的findContours()函数只能用于灰度图像。为了完成这一转换，二值图像中的每个像素值均被乘以255，最终生成的数组被继续转为unit8数据格式。因为这一转换并没有在视觉上改变图像，因此图中没有单独展示这一过程。
步骤4：将findContours()函数被用于该灰度图像上以提取轮廓。
findContours()函数函数具有两种使用方法：
1)模式：即轮廓提取模式，其可以设置为RETR_TREE，从而使该函数提取图片中的全部轮廓并将其整理为一个完整的轮廓层级。
2)方法：即轮廓近似方法，其可以设置为CHAIN_APPROX_SIMPLE，从而对横向、纵向和斜向的片段进行压缩而仅将其终点留下，从而节省内存空间。与之相对的是CHAIN_APPROX_NONE会存储每个轮廓的所有点。
步骤5：将轮廓随后按照面积递增的顺序排序，因为UI界面只能展示一定数量的轮廓，所以很自然地更希望首先展示那些大轮廓的信息。
步骤6：按照轮廓列表的顺序进行迭代处理，每个轮廓的外接矩形通过OpenCV库中的boundingRect()函数计算得到。生成的图像通过环形掩模进行处理，以使得其与EIT传感器的形状一致，最终的图像被展示在UI界面中。
本实施例证明本发明提出的人工智能驱动的EIT系统相比传统EIT系统和方法，能够实时、精准的重建物体的电导率空间分布，并再此基础上可以通过级联图像分析算法，进一步提取相关成像对象的信息。
为了解决上述问题，本发明还提出一种精准电阻抗层析成像系统，如图2所示，所述精准电阻抗层析成像系统包括：
可配置的EIT硬件电路架构，用于采集待检测对象的实时边界电压测量向量；
人工智能边缘计算平台，所述人工智能边缘计算平台用于实现如上所述的精准电阻抗层析成像方法。
可选地，可配置的EIT硬件电路架构可支持多频(10kHz-1MHz)双16电极传感器并行测量、单32电极串行测量以及任意组合的阻抗测量策略。
可选地，如图2所示，可配置的EIT硬件电路架构的构成包括两个可配置的EIT电极阵列(其中每个电极阵列包括16个电极接口，且每个电极接口可根据可编程控制器模块的控制命令独立、任意地连接到正电流激励、负电流激励、高阻态、正电压测量端或负电压测量端)；除此之外，还包括两个并行的测量通道和电流源模块，其中每个电流源模块和测量通道模块和对应的可配置EIT电极阵列配合。此配置可以并行支持使用16电极EIT传感器进行两个不同测量对象的同时成像，此外，还可以通过调整EIT硬件上的跳线使任意测量通道和电流源和两个可配置的EIT电极阵列进行配合，进而支持任意测量模式的32电极EIT传感器测量。
可配置的EIT测量电路的核心控制模块由可编程控制器(如FPGA)实现，其具体内部核心功能模块包括但不限于数据命令解析模块、通信接口模块、核心状态机模块、多频正弦信号发生模块、电流异常监控模块、高精度电阻网络校准计算模块、开关阵列控制模块、模拟数字转换器(ADC)接口模块以及多频数字解调模块。
可配置的EIT测量电路的电流监控模块对两路并行的电流源的输出电流进行实时测量并通过核心控制模块对电流安全幅值和异常进行判断和预警。当系统输出电流超出国家标准规定的安全阈值时，或电流波形出现异常时，核心控制模块即时将电流源输出切断(置零)。
可配置的EIT测量电路的校准网络由一系列板上高精度电阻构成。EIT系统预先存储高精度电阻值，并间歇性对电阻网络进行测量并与预存值进行对比，进而计算出测量系统的校正系数，对系统的实时阻抗测量进行校准。该操作可极大改善漂移和板上杂散、寄生电容对EIT长期测量稳定性的影响。
可配置的EIT测量电路的数据通信部分支持串口、蓝牙、USB2.0以及以太网通信。EIT测量电路整体供电设计架构参见图3。
通过上述方案，可以提高边界电压测量的准确性、稳定性、灵活性以及安全性。
为了解决上述问题，本发明还提出一种精准电阻抗层析成像装置300，所述精准电阻抗层析成像装置包括：
采集模块310，获取待检测对象的几何结构信息以及获取待检测对象的实时边界电压测量向量，并根据所述待检测对象获取多个辅助诊断信息；
数据生成模块320，根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集；
训练模块330，通过所述训练集和所述验证集对神经网络模型进行训练以得到图像重建模型；
执行模块340，将所述实时边界电压测量向量输入所述图像重建模型以进行电阻抗层析成像以获取待检测对象的目标图像。
通过获取待检测对象的几何结构信息以进一步获取多个辅助诊断信息，然后根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集；并通过所述训练集和所述验证集对神经网络模型进行训练以得到图像重建模型，从而使得在待检测对象改变时，可以针对待检测对象训练出特定的图像重建模型，由于训练集以及验证集并不是通用训练集，而是根据几何结构信息以及多个所述辅助诊断信息生成，从而提高了训练后的图像重建模型与所述待检测对象的匹配度，从而保证了后续实时边界电压测量向量输入所述图像重建模型获取待检测对象的目标图像的准确性，使得EIT系统的前向模型和图像重建模型可以根据待检测对象进行精准匹配，并通过人工智能边缘计算平台，实现实时精准图像重建，从而解决现有EIT系统实时图像重建质量低、只能进行定性成像的技术问题。
为了解决上述问题，本发明还提出一种介质，所述介质中存储有至少一可执行指令，所述可执行指令在设备上运行时，使得设备执行如上所述的精准电阻抗层析成像方法的操作。
需要说明的是，由于本申请的介质包含上述精准电阻抗层析成像方法的所有步骤，因此，介质也可以实现精准电阻抗层析成像方法的所有方案，并具有同样的有益效果，在此不再赘述。
执行上述方法实施例中的一种精准电阻抗层析成像方法。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存15储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
为了解决上述问题，本发明还提出一种设备6，包括：包括存储器61、处理器60以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，其特征在于，所述处理器60执行所述计算机程序时实现如上所述的精准电阻抗层析成像方法。
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的精准电阻抗层析成像方法的操作。
需要说明的是，由于本申请的设备包含上述精准电阻抗层析成像方法的所有步骤，因此，设备也可以实现精准电阻抗层析成像方法的所有方案，并具有同样的有益效果，在此不再赘述。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (7)
1.一种精准电阻抗层析成像方法，其特征在于，所述精准电阻抗层析成像方法包括：
将待检测对象的几何结构信息发送至云端平台；
从所述云端平台获取基于所述几何结构信息训练的精准图像重建模型；
获取待检测对象的实时边界电压测量向量；
将所述实时边界电压测量向量输入所述精准图像重建模型以获取待检测对象的目标图像；
其中，所述云端平台获取基于所述几何结构信息训练的精准图像重建模型的方式如下：
获取待检测对象的几何结构信息；
根据所述待检测对象获取多个辅助诊断信息；
根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集;
通过所述训练集和所述验证集对神经网络模型进行训练以得到精准图像重建模型；
其中，所述获取待检测对象的几何结构信息的步骤包括：
获取待检测对象的辅助成像信息；
根据所述辅助成像信息确定所述待检测对象的几何结构信息；
其中，所述神经网络模型由以下方式获取：
对所述几何结构信息进行前向模型定制化以获取神经网络模型。
2.如权利要求1所述的精准电阻抗层析成像方法，其特征在于，所述精准图像重建模型包括初始猜测单元和去噪单元： 所述将所述实时边界电压测量向量输入所述精准图像重建模型以获取待检测对象的目标图像的步骤包括：
将所述实时边界电压测量向量输入所述初始猜测单元进行矩阵运算以生成初始向量；
将所述初始向量输入所述去噪单元进行图像重建以获取待检测对象的目标图像。
3.如权利要求1所述的精准电阻抗层析成像方法，其特征在于，所述将所述实时边界电压测量向量输入所述精准图像重建模型以获取待检测对象的目标图像之后还包括：
通过级联分析算法对所述目标图像进行诊断分析。
4.一种精准电阻抗层析成像系统，其特征在于，所述精准电阻抗层析成像系统包括：
可配置的EIT硬件电路架构，用于采集待检测对象的实时边界电压测量向量；
人工智能边缘计算平台，所述人工智能边缘计算平台用于实现如权利要求1-3任一项所述的精准电阻抗层析成像方法。
5.一种精准电阻抗层析成像装置，其特征在于，用于应用权利要求1-3中任一项所述的精准电阻抗层析成像方法，所述精准电阻抗层析成像装置包括：
采集模块，获取待检测对象的几何结构信息以及获取待检测对象的实时边界电压测量向量，并根据所述待检测对象获取多个辅助诊断信息；
数据生成模块，根据所述几何结构信息以及多个所述辅助诊断信息生成训练集以及验证集;
训练模块，通过所述训练集和所述验证集对神经网络模型进行训练以得到精准图像重建模型；
执行模块，将所述实时边界电压测量向量输入所述精准图像重建模型以进行电阻抗层析成像以获取待检测对象的目标图像。
6.一种介质，其特征在于，所述介质中存储有至少一可执行指令，所述可执行指令在电子设备上运行时，使得电子设备执行如权利要求1-3任意一项所述的精准电阻抗层析成像方法的操作。
7.一种设备，其特征在于，包括：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的精准电阻抗层析成像方法，
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-3任意一项所述的精准电阻抗层析成像方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210508941.0A CN115830156B (zh) | 2022-05-10 | 2022-05-10 | 精准电阻抗层析成像方法、装置、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210508941.0A CN115830156B (zh) | 2022-05-10 | 2022-05-10 | 精准电阻抗层析成像方法、装置、系统、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115830156A CN115830156A (zh) | 2023-03-21 |
| CN115830156B true CN115830156B (zh) | 2024-06-07 |
Family
ID=85522547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210508941.0A Active CN115830156B (zh) | 2022-05-10 | 2022-05-10 | 精准电阻抗层析成像方法、装置、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115830156B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372556B (zh) * | 2023-09-20 | 2024-07-02 | 深圳市元甪科技有限公司 | 肺部成像方法、装置、计算机设备和计算机可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101650891B1 (ko) * | 2015-07-09 | 2016-08-24 | 성균관대학교산학협력단 | 자기 공명 전기 임피던스 영상기술을 이용한 자기 공명 영상시스템 및 전도율 분포 영상 생성방법 |
| CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
| 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 |
| CN111616708A (zh) * | 2020-05-25 | 2020-09-04 | 中国人民解放军第四军医大学 | 一种精准识别脑卒中颅内病变区域的图像重建方法 |
| WO2021223038A1 (en) * | 2020-05-08 | 2021-11-11 | Toma Jonathan Emanuel | Method and system for electrical impedance tomography |
| CN113793340A (zh) * | 2021-08-31 | 2021-12-14 | 南京邮电大学 | 一种图像分割神经网络及远程生物成像方法及系统 |
| CN113808230A (zh) * | 2021-08-26 | 2021-12-17 | 华南理工大学 | 提高电阻抗成像准确性的方法、系统、装置和存储介质 |
| CN113902825A (zh) * | 2021-10-21 | 2022-01-07 | 天津科技大学 | 基于VDD-Net的肺部电阻抗成像方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8508238B2 (en) * | 2010-08-12 | 2013-08-13 | General Electric Company | System and method for performing electrical impedance tomography |
-
2022
- 2022-05-10 CN CN202210508941.0A patent/CN115830156B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101650891B1 (ko) * | 2015-07-09 | 2016-08-24 | 성균관대학교산학협력단 | 자기 공명 전기 임피던스 영상기술을 이용한 자기 공명 영상시스템 및 전도율 분포 영상 생성방법 |
| CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
| 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 |
| WO2021223038A1 (en) * | 2020-05-08 | 2021-11-11 | Toma Jonathan Emanuel | Method and system for electrical impedance tomography |
| CN111616708A (zh) * | 2020-05-25 | 2020-09-04 | 中国人民解放军第四军医大学 | 一种精准识别脑卒中颅内病变区域的图像重建方法 |
| CN113808230A (zh) * | 2021-08-26 | 2021-12-17 | 华南理工大学 | 提高电阻抗成像准确性的方法、系统、装置和存储介质 |
| CN113793340A (zh) * | 2021-08-31 | 2021-12-14 | 南京邮电大学 | 一种图像分割神经网络及远程生物成像方法及系统 |
| CN113902825A (zh) * | 2021-10-21 | 2022-01-07 | 天津科技大学 | 基于VDD-Net的肺部电阻抗成像方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于块稀疏的电阻抗成像算法;王琦;张鹏程;汪剑鸣;李秀艳;连志杰;陈庆良;陈彤云;陈晓静;贺静;段晓杰;王化祥;;电子与信息学报;20180111(03);172-178 * |
| 采用神经网络提高EIT成像质量的方法研究;陈晓艳;师波;褚猛丽;杨涛;;天津科技大学学报;20160825(04);74-78 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115830156A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830155B (zh) | 一种基于深度学习的心脏冠状动脉分割及识别的方法 | |
| CN109816742B (zh) | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| CN110110617A (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN109767448B (zh) | 分割模型训练方法及装置 | |
| TW201801674A (zh) | 電阻抗斷層攝影術影像之後處理系統與後處理方法 | |
| CN113424222A (zh) | 用于使用条件生成对抗网络提供中风病灶分割的系统和方法 | |
| CN111210431B (zh) | 一种血管分割方法、装置、设备及存储介质 | |
| CN111311703A (zh) | 一种基于深度学习的电阻抗断层图像重构方法 | |
| CN115830156B (zh) | 精准电阻抗层析成像方法、装置、系统、介质及设备 | |
| US11544848B2 (en) | Deep learning based methods and systems for automated subject anatomy and orientation identification | |
| CN112489029A (zh) | 一种基于卷积神经网络的医学图像分割方法及装置 | |
| CN112529919A (zh) | 用于生成受试者的心脏的牛眼图生成的系统和方法 | |
| CN109087357B (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
| CN109767468B (zh) | 脏器体积检测方法及装置 | |
| CN113139963A (zh) | 缺陷检测方法和装置 | |
| CN115661141B (zh) | 基于cbct图像牙齿和牙槽骨分割方法及系统 | |
| CN110276762A (zh) | 一种多b值扩散加权腹部磁共振成像的呼吸运动全自动校正方法 | |
| CN114298999A (zh) | 血管结构变异的检测方法、可读存储介质和程序产品 | |
| CN113749636A (zh) | 一种三维通气图像产生方法、控制器及装置 | |
| CN117274413B (zh) | 一种基于eit的电导率图像重建方法、系统及设备 | |
| CN111340739A (zh) | 一种图像处理方法及系统 | |
| CN115147378B (zh) | 一种ct图像分析提取方法 | |
| CN111626998B (zh) | 图像处理方法、装置、设备及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240910 Address after: Room 1804, Building A, Zhaobangji Technology Center, No. 4433 Dongbin Road, Liwan Community, Nanshan Street, Nanshan District, Shenzhen City, Guangdong Province 518000 Patentee after: Shenzhen Yuanlu Yuheng Technology Co.,Ltd. Country or region after: China Address before: Room 1808, Block A, Zhaobangji Technology Center, No. 4433, Dongbin Road, Liwan Community, Nanshan Street, Nanshan District, Shenzhen, Guangdong 518000 Patentee before: Shenzhen Yuanlu Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |