CN116524123B - 一种三维电阻抗断层扫描图像重建方法及相关设备 - Google Patents
一种三维电阻抗断层扫描图像重建方法及相关设备 Download PDFInfo
- Publication number
- CN116524123B CN116524123B CN202310460297.9A CN202310460297A CN116524123B CN 116524123 B CN116524123 B CN 116524123B CN 202310460297 A CN202310460297 A CN 202310460297A CN 116524123 B CN116524123 B CN 116524123B
- Authority
- CN
- China
- Prior art keywords
- shape
- target
- voltage measurement
- position information
- conductivity
- 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 60
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 98
- 230000005284 excitation Effects 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000004070 electrodeposition Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
Abstract
本发明实施例公开了一种三维电阻抗断层扫描图像重建方法及相关设备，所述方法包括：将待测对象表示为点集，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；基于所述目标数据及所述激励电极的位置信息计算所述待测对象的电导率、形状中心和点云表示的目标形状；根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。用参数化的点云来表征三维空间内的电导率分布，以有限数量的点提供了精细的形状描述，减轻了内存需求，并能够使用更深的网络架构。
Description
技术领域
本发明涉及医学成像技术领域，尤其涉及一种三维电阻抗断层扫描图像重建方法及相关设备。
背景技术
电阻抗断层扫描(EIT)是一种新兴的医学成像方式，具有非侵入性、无需标识、快速和便携的特点。然而三维EIT图像重建的问题在于其受阻于构建的高维度性和非线性，这使得生成的图像质量相对较差。
尽管现有的图像重建算法取得了进步，但大多数都集中在2D图像重建问题上，而3D图像重建算法相对较少。一些研究专注于将2D算法扩展到3D情况，例如基于复杂几何光学(CGO)解决方案的直接3D重建、3D拉普拉斯和稀疏联合正则化、具有全变分先验的贝叶斯学习和3D结构感知稀疏贝叶斯学习(SA-SBL)。然而，这些方法基于规则网格(例如，体素)，并且通常需要手工调节参数和设计正则化项，从而导致低图像质量和可观的计算成本。在三维显示方面，为了简便，大多数现有的图像重建方法采用体素网格。然而，三维空间的体素化不可避免地丢弃了大量细节，并且内存占用量随着分辨率的增加呈立方级增加，这表明网络架构的深度和分辨率之间始终需要权衡。
发明内容
有鉴于此，本发明提供了一种三维电阻抗断层扫描图像重建方法及相关设备，用于解决现有技术中图像质量低下，计算成本过高的问题。
为达上述之一或部分或全部目的或是其他目的，本发明提出一种三维电阻抗断层扫描图像重建方法，包括：采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；
将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；
根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
可选的，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率的步骤，包括：
将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型中的所述电导率解码网络，生成概率矩阵，所述电导率解码网络包括多层感知器和tanh层；
采用交叉熵修正所述概率矩阵，得到所述待测对象的电导率。
可选的，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的形状中心的步骤，包括：
将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型中的所述对象中心解码网络，得到所述待测对象的初始形状中心；
通过均方误差修正所述初始形状中心，得到所述待测对象的形状中心。
可选的，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的目标形状的步骤，包括：
所述形状解码网络将预设初始形状进行转换，得到嵌入维数；
基于所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息，得到所述待测对象的目标形状。
可选的，所述基于所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息，得到所述待测对象的目标形状的步骤，包括：
将chamfer distance函数作为损失函数训练所述形状解码网络，得到所述形状解码网络的目标函数为：
其中，YS是点云的真实值，是重建点云，N为表示所述待测对象的点的数量；
将所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息代入所述目标函数，得到所述待测对象的目标形状。
可选的，所述根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建的步骤，包括：
通过显式学习序列中的交互作用获取所述待测对象上各点的长期依赖性；
根据所述长期依赖性通过所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
可选的，在所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型的步骤之前，还包括：
根据所述转换器模型建立初始预设计算模型；
使用Adam优化器优化所述初始预设计算模型，得到具有选择最小的验证损失的计算模型作为目标预设计算模型，其中，所述Adam优化器的优化规则为：权重衰减10-9，初始学习率为10-4和每25步减少0.95倍，最大限度的训练电导率估计的迭代轮次为500，为形状参数为1000的图像进行重建和对象中心估计。
另一方面，本申请提供了一种三维电阻抗断层扫描图像重建装置，所述装置包括：
数据采集模块，用于采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；
计算模块，用于将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；
重建模块，用于根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
第三方面，本申请提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如上述的三维电阻抗断层扫描图像重建方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的三维电阻抗断层扫描图像重建方法的步骤。
实施本发明实施例，将具有如下有益效果：
通过采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。将三维EIT图像重建任务划分为三个子任务：形状重建、目标中心估计和电导率估计，即，将三维图像重建任务转变为恢复点的三维坐标，以自适应地描绘对象的表面并预测每个点的电导率，用参数化的点云来表征三维空间内的电导率分布，以有限数量的点提供了精细的形状描述，减轻了内存需求，并方便使用更深层的网络架构。
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是本申请实施例提供的一种三维电阻抗断层扫描图像重建方法的流程图；
图2是本申请实施例提供的一种三维电阻抗断层扫描图像重建方法中预设计算模型的框架图；
图3是本申请实施例提供的一种三维电阻抗断层扫描图像重建装置的结构示意图；
图4是本申请实施例提供的一种电子设备的结构示意图；
图5是本申请实施例提供的一种存储介质的结构示意图。
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。
如图1所示，本申请实施例提供了一种三维电阻抗断层扫描图像重建方法，包括：
S101、采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；
示例性的，将所述待测对象表示为S＝P(1)∪P(2)∪...∪P(N)，其中P(n)代表所述待测对象上第n个点，N为表示所述待测对象的点的数量，选用M个点来表示所述待测对象，P(n)＝{(xi (n),yi (n),zi (n),c(n))}i＝1...M，其中每个点Pi (n)包括一个向量三维坐标(x(n),y(n),z(n))和电导率值cn，进而获取所述待测对象电阻抗断层扫描边界的目标数据其中，NM为独立测量电压的数量，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息Ci e2，所述电压测量数据包括测量电压值vi和测量电极的位置信息Ci e1。
S102、将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；
示例性的，是将具有挑战性的三维EIT图像重建任务划分为三个子任务：形状重建、目标中心估计和电导率估计。将形状重建和目标中心估计分离的原因是，当目标位于原点中心的单位空间时，对具有大量点的目标进行重建更容易实现。
S103、根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
示例性的，对所述电导率、所述目标形状和所述形状中心进行综合即可得到三维空间内的基于参数化点云(即x,y,z，空间坐标点+每个点的电导率参数)的EIT三维重建结果。
通过采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。将三维EIT图像重建任务划分为三个子任务：形状重建(得到点云表示的目标形状)、目标中心估计和电导率估计，即，将三维图像重建任务转变为恢复点的三维坐标，以自适应地描绘对象的表面并预测每个点的电导率，用参数化的点云来表征三维空间内的电导率分布，以有限数量的点提供了精细的形状描述，减轻了内存需求，并允许更深层的网络架构。
在一种可能的实施方式中，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率的步骤，包括：
将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型中的所述电导率解码网络，生成概率矩阵，所述电导率解码网络包括多层感知器和tanh层；
采用交叉熵修正所述概率矩阵，得到所述待测对象的电导率。
示例性的，将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型中的所述电导率解码网络，生成概率矩阵所述电导率解码网络估算所述待测对象的电导率值：低电导率、高电导率和背景，通过交叉熵LC训练所述电导率解码网络以修正所述概率矩阵，得到所述待测对象的电导率。
示例性的，通过交叉熵LC训练所述电导率解码网络确定所述概率矩阵是否需要被K∈RN约束。
在一种可能的实施方式中，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的形状中心的步骤，包括：
将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型中的所述对象中心解码网络，得到所述待测对象的初始形状中心；
通过均方误差修正所述初始形状中心，得到所述待测对象的形状中心。
示例性的，所述对象中心解码网络与所述电导率解码网络的结构相同，即，包括多层感知器和tanh层，将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型中的所述对象中心解码网络，得到所述待测对象的初始形状中心K应用于不必要对象的零中心坐标，通过均方误差LO训练对象中心解码网络以修正所述初始形状中心，得到所述待测对象的形状中心。
在一种可能的实施方式中，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的目标形状的步骤，包括：
所述形状解码网络将预设初始形状进行转换，得到嵌入维数；
基于所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息，得到所述待测对象的目标形状。
示例性的，所述形状解码网络将预设初始形状通过一个多层感知器MLP转换为嵌入维数，得到嵌入维数；
基于所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息，得到所述待测对象的目标形状。
在一种可能的实施方式中，所述基于所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息，得到所述待测对象的目标形状的步骤，包括：
将chamfer distance函数作为损失函数训练所述形状解码网络，得到所述形状解码网络的目标函数为：
其中，YS是点云的真实值，是重建点云，N为表示所述待测对象的点的数量；
将所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息代入所述目标函数，得到所述待测对象的目标形状。
示例性的，采用对象智慧CD(OWCD)函数进行形状重建，即，获取所述待测对象的目标形状，避免了EMD需进行严格分配，由于训练过程中重复的正向和向后传播，计算代价昂贵的问题，也避免采用HD不能保证在离群点的存在下的稳定收敛的风险。
在一种可能的实施方式中所述根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建的步骤，包括：
通过显式学习序列中的交互作用获取所述待测对象上各点的长期依赖性；
根据所述长期依赖性通过所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
示例性的，调用自我注意模块通过显式学习序列中的交互作用来捕捉上下文的长期依赖性，作为递归或卷积的替代。此外，自我注意模块具有固有的排列不变性，这符合无序点的性质。因此，将转换器应用于点云学习是很自然的，它在点云分割和分类任务中取得了良好的性能。
在一种可能的实施方式中，在所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型的步骤之前，还包括：
根据所述转换器模型建立初始预设计算模型；
使用Adam优化器优化所述初始预设计算模型，得到具有选择最小的验证损失的计算模型作为目标预设计算模型，其中，所述Adam优化器的优化规则为：权重衰减10-9，初始学习率为10-4和每25步减少0.95倍，最大限度的训练电导率估计的迭代轮次为500，进而为形状为1000的图像进行重建和对象中心估计。
在一种可能的实施方式中，如图2所示，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络，所述编码网络将包含电极的拓扑信息的电压读数转换为一个高维的密码数据，所述电导率解码网络、所述形状解码网络和所述对象中心解码网络基于所述密码数据得到所述待测对象的电导率、点云表示的目标形状和形状中心，对所述电导率、所述目标形状和所述形状中心进行综合即可得到三维空间内的基于参数化点云(即x,y,z，空间坐标点+每个点的电导率参数)的EIT三维重建结果，测量电压Voltage measurement和电极位置Electrode position作为输入，经过编码网络Transformer Encoder Module将包含电极的拓扑信息的电压读数转换为一个高维的密码数据，基于初始形状Initial shapes对高维的密码数据进行解码得到所述待测对象的电导率、点云表示的目标形状和形状中心，进而得到重建图像Reconstructed point clouds。
在一种可能的实施方式中，如图3所示，本申请提供了一种三维电阻抗断层扫描图像重建装置，所述装置包括：
数据采集模块201，用于采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；
计算模块202，用于将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；
重建模块203，用于根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
一种可能的实施方式中，如图4所示，本申请实施例提供了一种电子设备300，包括：包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311，处理器320执行计算机程序311时，实现：采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建的步骤。
在一种可能的实施方式中，如图5所示，本申请实施例提供了一种计算机可读存储介质400，其上存储有计算机程序411，该计算机程序411被处理器执行时实现：采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建的步骤。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里上述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种三维电阻抗断层扫描图像重建方法，其特征在于，包括：
采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；
将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；
根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
2.如权利要求1所述的三维电阻抗断层扫描图像重建方法，其特征在于，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率的步骤，包括：
将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型中的所述电导率解码网络，生成概率矩阵，所述电导率解码网络包括多层感知器和tanh层；
采用交叉熵修正所述概率矩阵，得到所述待测对象的电导率。
3.如权利要求1所述的三维电阻抗断层扫描图像重建方法，其特征在于，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的形状中心的步骤，包括：
将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型中的所述对象中心解码网络，得到所述待测对象的初始形状中心；
通过均方误差修正所述初始形状中心，得到所述待测对象的形状中心。
4.如权利要求1所述的三维电阻抗断层扫描图像重建方法，其特征在于，所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的目标形状的步骤，包括：
所述形状解码网络将预设初始形状进行转换，得到嵌入维数；
基于所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息，得到所述待测对象的目标形状。
5.如权利要求4所述的三维电阻抗断层扫描图像重建方法，其特征在于，所述基于所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息，得到所述待测对象的目标形状的步骤，包括：
将chamfer distance函数作为损失函数训练所述形状解码网络，得到所述形状解码网络的目标函数为：
其中，YS是点云的真实解，是重建点云，N为表示所述待测对象的点的数量；
将所述嵌入维数和所述目标数据及所述电压测量数据对应的激励电极的位置信息代入所述目标函数，得到所述待测对象的目标形状。
6.如权利要求1所述的三维电阻抗断层扫描图像重建方法，其特征在于，在所述将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型的步骤之前，还包括：
根据所述转换器模型建立初始预设计算模型；
使用Adam优化器优化所述初始预设计算模型，得到具有最小验证损失的计算模型作为目标预设计算模型。
7.如权利要求1所述的三维电阻抗断层扫描图像重建方法，其特征在于，所述根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建的步骤，包括：
通过显式学习序列中的交互作用获取所述待测对象上各点的长期依赖性；
根据所述长期依赖性通过所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
8.一种三维电阻抗断层扫描图像重建装置，其特征在于，所述装置包括：
数据采集模块，用于采用点集表示待测对象，并获取所述待测对象电阻抗断层扫描边界的目标数据，其中，所述目标数据包括电压测量数据及所述电压测量数据对应的激励电极的位置信息，所述电压测量数据包括测量电压值和测量电极的位置信息；
计算模块，用于将所述目标数据及所述电压测量数据对应的激励电极的位置信息导入预设计算模型，得到所述待测对象的电导率、点云表示的目标形状和形状中心，其中，所述预设计算模型基于转换器模型建立，所述预设计算模型包括编码网络、电导率解码网络、形状解码网络和对象中心解码网络；
重建模块，用于根据所述电导率、所述目标形状和所述形状中心完成所述待测对象的三维电阻抗断层扫描图像重建。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一项所述的三维电阻抗断层扫描图像重建方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7中任一项所述的三维电阻抗断层扫描图像重建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310460297.9A CN116524123B (zh) | 2023-04-20 | 2023-04-20 | 一种三维电阻抗断层扫描图像重建方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310460297.9A CN116524123B (zh) | 2023-04-20 | 2023-04-20 | 一种三维电阻抗断层扫描图像重建方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116524123A CN116524123A (zh) | 2023-08-01 |
| CN116524123B true CN116524123B (zh) | 2024-02-13 |
Family
ID=87398806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310460297.9A Active CN116524123B (zh) | 2023-04-20 | 2023-04-20 | 一种三维电阻抗断层扫描图像重建方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116524123B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2418478A1 (en) * | 2010-08-12 | 2012-02-15 | General Electric Company | System and method for performing electrical impedance tomography |
| GB201701383D0 (en) * | 2017-01-27 | 2017-03-15 | Ucl Business Plc | Apparatus, method and system for alignment of 3D datasets |
| CN107798190A (zh) * | 2017-10-26 | 2018-03-13 | 吉林大学 | 复杂地形下的时域地空瞬变电磁三维数值模拟方法 |
| CN110720915A (zh) * | 2019-09-09 | 2020-01-24 | 浙江工业大学 | 一种基于gan的脑部电阻抗断层成像方法 |
| DE102018010197A1 (de) * | 2018-12-18 | 2020-06-18 | GRID INVENT gGmbH | Elektronisches Element und elektrisch angesteuertes Anzeigeelement |
| CN112798654A (zh) * | 2021-01-26 | 2021-05-14 | 河南师范大学 | 用于电阻抗层析成像的快速梯度法和自适应雅可比矩阵重构方法 |
| WO2021135211A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京华睿博视医学影像技术有限公司 | 基于电阻抗成像的三维血液灌注图像产生方法与装置 |
| WO2021175050A1 (zh) * | 2020-03-04 | 2021-09-10 | 华为技术有限公司 | 三维重建方法和三维重建装置 |
| CN113870377A (zh) * | 2021-10-21 | 2021-12-31 | 天津科技大学 | 基于V-ResNet肺部成像方法 |
| CN114565716A (zh) * | 2022-02-17 | 2022-05-31 | 中汽创智科技有限公司 | 图像三维重建方法、装置、设备及介质 |
| CN114663355A (zh) * | 2022-02-28 | 2022-06-24 | 河南师范大学 | 一种用于脑出血电导率分布图像重建的混合神经网络方法 |
| CN115778358A (zh) * | 2022-11-14 | 2023-03-14 | 中国人民解放军空军军医大学 | 一种脑电阻抗断层成像系统的自适应温度补偿方法及系统 |
| WO2023045252A1 (zh) * | 2021-09-26 | 2023-03-30 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11445994B2 (en) * | 2018-01-24 | 2022-09-20 | Siemens Healthcare Gmbh | Non-invasive electrophysiology mapping based on affordable electrocardiogram hardware and imaging |
-
2023
- 2023-04-20 CN CN202310460297.9A patent/CN116524123B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2418478A1 (en) * | 2010-08-12 | 2012-02-15 | General Electric Company | System and method for performing electrical impedance tomography |
| GB201701383D0 (en) * | 2017-01-27 | 2017-03-15 | Ucl Business Plc | Apparatus, method and system for alignment of 3D datasets |
| CN107798190A (zh) * | 2017-10-26 | 2018-03-13 | 吉林大学 | 复杂地形下的时域地空瞬变电磁三维数值模拟方法 |
| DE102018010197A1 (de) * | 2018-12-18 | 2020-06-18 | GRID INVENT gGmbH | Elektronisches Element und elektrisch angesteuertes Anzeigeelement |
| CN110720915A (zh) * | 2019-09-09 | 2020-01-24 | 浙江工业大学 | 一种基于gan的脑部电阻抗断层成像方法 |
| WO2021135211A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京华睿博视医学影像技术有限公司 | 基于电阻抗成像的三维血液灌注图像产生方法与装置 |
| WO2021175050A1 (zh) * | 2020-03-04 | 2021-09-10 | 华为技术有限公司 | 三维重建方法和三维重建装置 |
| CN112798654A (zh) * | 2021-01-26 | 2021-05-14 | 河南师范大学 | 用于电阻抗层析成像的快速梯度法和自适应雅可比矩阵重构方法 |
| WO2023045252A1 (zh) * | 2021-09-26 | 2023-03-30 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
| CN113870377A (zh) * | 2021-10-21 | 2021-12-31 | 天津科技大学 | 基于V-ResNet肺部成像方法 |
| CN114565716A (zh) * | 2022-02-17 | 2022-05-31 | 中汽创智科技有限公司 | 图像三维重建方法、装置、设备及介质 |
| CN114663355A (zh) * | 2022-02-28 | 2022-06-24 | 河南师范大学 | 一种用于脑出血电导率分布图像重建的混合神经网络方法 |
| CN115778358A (zh) * | 2022-11-14 | 2023-03-14 | 中国人民解放军空军军医大学 | 一种脑电阻抗断层成像系统的自适应温度补偿方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 三维电阻抗图像重建模型优化研;褚猛丽;CNKI中国知网;20170731;8-22 * |
| 基于小波多分辨分析和LSQR的快速EIT图像重建算法;汪剑鸣;代月霞;王琦;张荣华;王化祥;陈庆良;;电子测量与仪器学报(第04期);34-38 * |
| 基于深度学习的电阻抗重建算法研究;方滔;硕士电子期刊-基于深度学习的电阻抗重建算法研究;42-78 * |
| 基于结构信息的肺部电阻抗成像算法研究;李菲;CNKI 中国知网;20201031;11-23 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116524123A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255830B (zh) | 三维人脸重建方法和装置 | |
| CN108520220B (zh) | 模型生成方法和装置 | |
| CN116245015A (zh) | 基于深度学习的数据变化趋势预测方法及系统 | |
| Yang et al. | Bayesian denet: Monocular depth prediction and frame-wise fusion with synchronized uncertainty | |
| CN113159056A (zh) | 图像分割方法、装置、设备及存储介质 | |
| JP2015079505A (ja) | 視差深度画像のノイズ識別方法及びノイズ識別装置 | |
| CN111047663A (zh) | 电学层析成像伪影抑制图像重建方法 | |
| RU2745010C1 (ru) | Способы реконструкции карты глубины и электронное вычислительное устройство для их реализации | |
| Byrne | Block‐iterative algorithms | |
| CN114266860A (zh) | 三维人脸模型建立方法、装置、电子设备及存储介质 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN117095132B (zh) | 基于隐式函数的三维重建方法和系统 | |
| Jin et al. | An unsupervised multi‐focus image fusion method based on Transformer and U‐Net | |
| US20210004645A1 (en) | Unified shape representation | |
| CN116993926B (zh) | 单视图人体三维重建方法 | |
| CN116524123B (zh) | 一种三维电阻抗断层扫描图像重建方法及相关设备 | |
| CN117011673B (zh) | 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置 | |
| CN113781365A (zh) | 基于深度图像先验的mpi系统矩阵复原方法 | |
| CN115439610B (zh) | 模型的训练方法、训练装置、电子设备和可读存储介质 | |
| CN117054803A (zh) | 一种含分布式光伏配电网接地故障辨识方法及系统 | |
| CN116016953A (zh) | 一种基于深度熵编码的动态点云属性压缩方法 | |
| CN115983370A (zh) | 散乱数据插值模型训练方法、插值方法及装置 | |
| CN115546336A (zh) | 基于极大极小凹与全变分约束的磁粒子成像图像重建方法 | |
| CN114663544A (zh) | 一种基于深度图像先验的电阻抗图像重建方法 | |
| CN114782336A (zh) | 基于图卷积神经网络的纤维束取向分布的预测方法和装置 |
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 |