CN117274413B - 一种基于eit的电导率图像重建方法、系统及设备 - Google Patents
一种基于eit的电导率图像重建方法、系统及设备 Download PDFInfo
- Publication number
- CN117274413B CN117274413B CN202311128596.9A CN202311128596A CN117274413B CN 117274413 B CN117274413 B CN 117274413B CN 202311128596 A CN202311128596 A CN 202311128596A CN 117274413 B CN117274413 B CN 117274413B
- Authority
- CN
- China
- Prior art keywords
- eit
- patient
- chest
- conductivity
- impedance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 208000019693 Lung disease Diseases 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 210000004072 lung Anatomy 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 20
- 238000001453 impedance spectrum Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 206010048612 Hydrothorax Diseases 0.000 claims description 8
- 206010035664 Pneumonia Diseases 0.000 claims description 8
- 201000003144 pneumothorax Diseases 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 7
- 238000009423 ventilation Methods 0.000 claims description 7
- 208000004756 Respiratory Insufficiency Diseases 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 201000004193 respiratory failure Diseases 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 206010035742 Pneumonitis Diseases 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 210000000038 chest Anatomy 0.000 description 35
- 238000003384 imaging method Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000001566 impedance spectroscopy Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于EIT的电导率图像重建方法、系统及设备。所述方法包括:获取患者的胸部影像图像;提取胸部和肺部的轮廓线,所述轮廓线内的区域为EIT仿真模型区域;通过EIT方法采集患者的边界电压数据;将所述边界电压数据输入卷积神经网络得到电导率分布;在所述EIT仿真模型区域内呈现所述电导率分布得到重建的电导率分布图。本申请提供了一种肺病变病因的快速、准确的诊断系统,具有重要的临床应用价值。
Description
技术领域
本发明涉及智能医疗技术领域,更具体地,涉及一种基于EIT的电导率图像重建方法、系统、设备和计算机可读存储介质。
背景技术
目前,呼吸衰竭通气缺失肺病变病因主要通过X射线、CT、超声等进行诊断。虽然这些成像技术均已成熟并广泛应用于临床,但都存在缺点和局限性。CT技术具有较强的放射性,对人体有较大的伤害;MRI技术对被测病人状态要求严格,体内不可具有金属异物,且成像速度慢,不可连续成像。并且以上成像技术所使用的仪器价格昂贵、操作不便。相较于其他医学影像技术,EIT技术具有无创、无辐射、方便、快速、成本低、可连续成像等优势,在肺部成像上具有很大的应用价值。
EIT成像方法主要分为差分成像和绝对成像。绝对成像直接在成像状态下恢复电导率分布,无需参考状态,然而,绝对成像的重建过程计算量较大,难以满足实时监测的要求。差分成像利用成像状态和参考状态之间的电压测量差异重建电导率变化,然而,许多肺部疾病是长期发展的,可能无法提供理想的参考状态用于差分成像,并且在成像中会出现轮廓不清楚等问题。
发明内容
基于上述问题,本研究首次提出基于EIT的电导率图像重建方法,用以克服EIT成像中轮廓不清楚等问题,此外,融合EIT结果和BIS结果将进一步实现呼吸衰竭通气缺失肺病变病因的快速、准确的诊断。
本申请的目的在于提供一种基于EIT的电导率图像重建方法,包括:
获取患者的胸部影像图像;
提取胸部和肺部的轮廓线,所述轮廓线内的区域为EIT仿真模型区域;
通过EIT方法采集患者的边界电压数据;
将所述边界电压数据输入卷积神经网络得到电导率分布;
在所述EIT仿真模型区域内呈现所述电导率分布得到重建的电导率分布图。
进一步,采用EIT模型提取胸部和肺部的轮廓线,具体为:采用最大类间方差法从训练集中患者的胸部CT图像中分割出胸部和肺部的轮廓;通过选择具有等弧长原则的地标对齐不同患者的胸部区域,通过广义普氏分析进行迭代计算建立参考坐标;使用刚性变换对齐胸部轮廓与参考坐标;使用从胸部轮廓对齐计算出的刚性变换来对齐肺部轮廓;通过傅里叶函数将对齐的胸部轮廓和肺部轮廓进行曲线拟合,基于拟合曲线提取患者胸部和肺部的轮廓线。
进一步,所述卷积神经网络包括输入层、卷积层、池化层、连接层、输出层,以边界电压值V作为卷积神经网络输入,通过非线性映射关系,输出电导率分布。
进一步,所述连接层为RBF神经网络,用于逼近池化层的输出和输出层的输出之间的非线性映射关系,神经网络的输入为GAP层的输出x,采用K-Means算法优化中心向量C、采用KNN算法求解宽度向量B、基于高斯函数的输出H及最小二乘法计算的权重W输出预测的电导率分布σ。
进一步,所述方法还包括基于所述重建的电导率分布图输出患者肺病变病因,所述病因包括气胸、肺炎、胸腔积水,其中,气胸、肺炎、胸腔积水有对应的电导率,基于所述患者的重建的电导率分布图和所述对应的电导率的匹配结果输出患者肺病变病因。
进一步,所述方法还包括基于阻抗谱数据输出患者肺病变原因,将重建的电导率分布图的结果和基于阻抗谱数据的结果进行结果融合,输出患者肺病变病因。
进一步,基于阻抗谱数据输出患者肺病变原因的具体方法为:采集患者的多频阻抗谱数据;计算对应的频率-电阻抗实部-电阻抗虚部矩阵;计算阻抗数据的弛豫频率,所述弛豫频率为阻抗值虚部值最大时对应的频率;将所述弛豫频与肺病变病因的电气特征阈值进行比较;基于比较结果输出患者肺病变病因。
本申请的目的还在于提供一种基于EIT的电导率图像重建设备,所述设备包括:存储器和处理器;所述存储器用于存储程序指令;所述处理器用于调用程序指令,当程序指令被执行时,用于执行实现上述的基于EIT的电导率图像重建方法。
本申请的目的还在于提供一种计算机程序产品或系统,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述的基于EIT的电导率图像重建方法。
本申请的目的还在于提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述的基于EIT的电导率图像重建方法。
本申请的优点:
1.为了克服现有EIT成像中会出现轮廓不清楚等问题,本申请创造性的采用患者的胸部CT影像提取胸部和肺部的轮廓线,并作为EIT成像区域,进行EIT图像重建,得到重建的电导率分布图;
2.为了提高图像的重建效果,发明人团队对重建所用的卷积神经网络进行改进,遵循绝对成像策略来求解EIT逆问题,重建电导率分布;进一步,在卷积神经网络中引入RBF神经网络,逼近池化层的输出和输出层的输出之间的非线性映射关系;
3.考虑临床诊断结果的准确性,发明人团队进一步在肺病变病因中加入BIS
进行病因诊断,最终结果融合EIT结果和BIS结果,实现了呼吸衰竭通气缺失肺病变病因的快速、准确的诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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取其他的附图。
图1是本发明实施例提供的一种基于EIT的电导率图像重建方法示意流程图;
图2是本发明实施例提供的一种基于EIT的电导率图像重建设备示意流程图;
图3是本发明实施例提供的一种基于EIT的电导率图像重建系统示意图;
图4是本发明实施例提供的EIT仿真模型区域示意图;
图5是本发明实施例提供的RBF学习流程示意图;
图6是本发明实施例提供的基于深度学习的误差补偿方法的训练流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S101、S102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的基于EIT的电导率图像重建方法示意流程图,具体地,所述方法包括如下步骤:
S101:获取患者的胸部影像图像;
在一个实施例中,胸部影像图像具体可以是DR(Digital Radiography,数字化X线成像)、CT(Computed Tomography,电子计算机断层扫描)或者其余形式的影像等。
在一个具体实施例中,获取不同呼吸衰竭患者的胸部CT图像,将其分为训练集和测试集两部分,为选择中心图像,挑选离乳头正下方第五根肋骨最近的CT图像。
S102:提取胸部和肺部的轮廓线,所述轮廓线内的区域为EIT仿真模型区域;
在一个实施例中,采用最大类间方差法从训练集中患者的胸部CT图像中分割出胸部和肺部的轮廓;通过选择具有等弧长原则的地标对齐不同患者的胸部区域,通过广义普氏分析进行迭代计算建立参考坐标;使用刚性变换对齐胸部轮廓与参考坐标;使用从胸部轮廓对齐计算出的刚性变换来对齐肺部轮廓;通过傅里叶函数将对齐的胸部轮廓和肺部轮廓进行曲线拟合,基于拟合曲线提取患者胸部和肺部的轮廓线。更具体的,首先,采用最大类间方差法从选定的CT图像中分割出胸部和肺部的轮廓;其次,通过选择具有等弧长原则的地标来对齐不同患者的胸部区域,通过广义普氏分析(GeneralizedProcrustesAnalysis,GPA)进行迭代计算来建立参考坐标;第三,使用刚性变换(包括缩放、位移和旋转)来对齐胸部轮廓与参考坐标;第四,使用从胸部轮廓对齐计算出的刚性变换来对齐肺部轮廓;最后,通过傅里叶函数对齐的胸部和肺部轮廓进行曲线拟合。
在一个实施例中,见图4,使用不同患者的胸部CT图像进行轮廓分割得到胸部和肺部的轮廓,进行曲线拟合,生成EIT仿真模型,得到的区域为EIT仿真模型区域。
S103:通过EIT方法采集患者的边界电压数据;
在一个实施例中,通过计算机控制阻抗分析仪将激励电流(频率为100KHz,幅值为1mA)从16电极传感器注入人体胸腔,由数据采集模块采集边界电压信号并传输至上位机。采用“相邻激励、相邻采集”模式,矩阵开关实现电极切换,循环一周可采集到208个边界电压数据。
S104:将所述边界电压数据输入卷积神经网络得到电导率分布;
在一个实施例中,所述卷积神经网络包括输入层、卷积层、池化层、连接层、输出层,以边界电压值V作为卷积神经网络输入,通过非线性映射关系,输出电导率分布。进一步,所述连接层为RBF神经网络,用于逼近池化层的输出和输出层的输出之间的非线性映射关系,神经网络的输入为GAP层的输出x,采用K-Means算法优化中心向量C、采用KNN算法求解宽度向量B、基于高斯函数的输出H及最小二乘法计算的权重W输出预测的电导率分布σ。
在一个具体实施例中,所述卷积神经网络为多层网络的ICNN(ImprovedConvolutional Neural Network),遵循绝对成像策略来求解EIT逆问题,得到电导率分布。通过网络模型训练与优化,自主学习从边界电压值V(作为卷积神经网络输入)到电导率分布σ(作为卷积神经网络输出)之间的非线性映射关系Rlearn,其数学表达式如下:
其中,R是改进网络结构,N是训练集的数量,θ是权重参数,E和g分别表示损失函数和正则化项。
在非均匀场域中测量得到的208个边界电压值被用作网络的输入,网络的输入维度是16×13×1,其中每一行代表了一个激励下的电压测量值。相应地,网络的输出是3242个电导率分布。
表1卷积神经网络结构
注:卷积层的参数表示为Conv<核大小>—<通道数>。例如,Conv3-128表示具有128个通道的3x3卷积核。Input:网络输入,BN:批量归一化,ELU:激活函数,Max Pooling:最大池化,Global Average Pooling:全局平均池化,RBF Neural Network:径向基函数神经网络,Output:网络输出。
在一个具体实施例中,以边界电压值V作为卷积神经网络输入,通过非线性映射关系,输出电导率分布,具体计算过程包括:
(1)输入:测量的边界电压数据作为网络输入,并进行卷积核操作。激活函数f(·)将一个大小为16×13×1的电压节点矩阵转化为大小为1×1×64的单位节点矩阵m,其计算公式如下:
其中,ax,y,z表示卷积核中输入节点(x,y,z)的数值,和bi分别表示输出矩阵中第i个节点的权重和偏置。
(2)卷积和池化:卷积层的通道数从64增加到128,然后到256,最后到512,并保持不变。卷积层通过非线性激活函数生成特征图。选择ELU函数作为激活函数,其计算公式如下:
注:池化策略(最大池化和平均池化)。在每个池化单元中,最大池化选择最大的特征值作为输出,平均池化选择平均值作为输出。
(3)全局平均池化:全局平均池化将整个特征图的每个通道的数值取平均作为输出。
(4)径向基函数神经网络(RBF):在GAP层和回归层之间加入RBF神经网络,直接逼近GAP层的输出x和回归层的输出σ之间的非线性映射关系。
在RBF操作结构中,径向基函数被选为高斯函数,如下式所示。其中,有三个需要学习的未知参数,包括基函数的中心向量C=[c1,c2,…,cn]、宽度向量B=[b1,b2,…,bn]以及从隐含层到输出层的权重向量W=[w1,w2,…,wn]。
RBF神经网络的具体学习过程如下(如图5所示):
首先,通过试验选择法确定隐含层的节点数,并采用K-Means算法优化中心C;其次,采用K最近邻(K-Nearest Neighbor,KNN)算法求解宽度B;第三,计算出高斯函数的输出H;然后,用最小二乘法直接计算权重W;最后,根据高斯函数H和连接权重W确定RBF神经网络的预测输出σ,即电导率分布。
在一个实施例中,优化卷积神经网络模型的权重参数,从而构建边界电压值与电导率分布之间的非线性映射关系。具体的,基于CNN-RBF的误差补偿方法(具体见图6):CNN-RBF方法是在CNN-GAP方法的基础上深度优化,主要是在GAP层和回归层之间添加了RBF神经网络,CNN用于特征提取,而RBF则用于回归预测。
采用的损失函数Φ(θ)如下所示:
它由两部分组成:一部分是均方误差E{σ,Rθ(V)},表示两个概率分布之间的误差;另一部分是L2正则化g(θ),用于避免过拟合。其中,θ是网络模型的权重参数,N是训练集样本的数量,Rθ(Vi)和σi分别代表第i个预测的和理想的电导率分布,λ是正则化项的学习参数,n是划分的有限元网格数量。使用自适应矩估计(Adaptive Moment Estimation,ADAM)算法作为求解器。具体伪代码如表所示。
表2ADAM算法的伪代码
在一个实施例中,构建仿真数据集,在仿真数据集中,每个数据样本包含208个边界电压值、3242个电导率分布,基于所述仿真数据集训练卷积神经网络得到预测的电导率分布,和实际的电导率分布进行比较,生成损失函数,优化卷积神经网络,得到训练好的卷积神经网络。具体的,在仿真数据集中加入噪音、扰动等进行数据增强。
S105:在所述EIT仿真模型区域内呈现所述电导率分布得到重建的电导率分布图。
在一个实施例中,所述方法还包括基于所述重建的电导率分布图输出患者肺病变病因,所述病因包括气胸、肺炎、胸腔积水,其中,气胸、肺炎、胸腔积水有对应的电导率,基于所述患者的重建的电导率分布图和所述对应的电导率的匹配结果输出患者肺病变病因。在一个具体实施例中,气胸、肺炎、胸腔积水有对应的电导率见表3所示,其中颜色的划分可根据情况进行调整和修改,本发明实施例仅作为参考,对此不作具体限定。
表3肺病变病因的近似电导率值
在一个实施例中,所述方法还包括基于阻抗谱数据输出患者肺病变原因的具体方法为:采集患者的多频阻抗谱数据;计算对应的频率-电阻抗实部-电阻抗虚部矩阵;计算阻抗数据的弛豫频率,所述弛豫频率为阻抗值虚部值最大时对应的频率;将所述弛豫频与肺病变病因的电气特征阈值进行比较;基于比较结果输出患者肺病变病因。
在一个实施例中,基于阻抗谱数据输出患者肺病变原因的具体方法为:
采集患者的多频阻抗谱数据:通过计算机控制阻抗分析仪将频率范围为f1~fn(1KHz~5MHz)的电流从一对电极注入人体,同时从另一对电极采集阻抗数据并传输至上位机。设置采集点数为n,采用3-Skip模式(电极4和电极8、电极8和电极12、…、电极16和电极4)循环采集4次阻抗谱数据;阻抗分析仪采集一次阻抗谱数据得到的肺部通气缺失区域的频率-阻抗幅值-相位矩阵为:
其中,Zi为与频率fi对应的阻抗幅值,为与频率fi对应的相位角;
计算对应的频率-电阻抗实部-电阻抗虚部矩阵:其中,与频率fi对应的电阻抗实部与频率fi对应的电阻抗虚部/>
计算阻抗数据的弛豫频率frelax,弛豫频率为阻抗值虚部值最大时对应的频率;
将得到的弛豫频率通过机器学习模型训练得出划分不同呼吸衰竭通气缺失肺病变病因的电气特征阈值f1和f2;
根据弛豫频率对肺病变病因进行分析:
当frelax<f1时,为气胸;
当f1<frelax<f2时,为肺炎(大叶性);
当frelax>f2时,为胸腔积水。
在一个实施例中,所述方法还包括基于阻抗谱数据输出患者肺病变原因,将重建的电导率分布图的结果和基于阻抗谱数据的结果进行结果融合,输出患者肺病变病因。具体的:
获取患者的胸部影像图像;提取胸部和肺部的轮廓线,所述轮廓线内的区域为EIT仿真模型区域;通过EIT方法采集患者的边界电压数据;将所述边界电压数据输入卷积神经网络得到电导率分布;在所述EIT仿真模型区域内呈现所述电导率分布得到重建的电导率分布图;基于所述重建的电导率分布图输出患者肺病变病因;
采集患者的多频阻抗谱数据;计算对应的频率-电阻抗实部-电阻抗虚部矩阵;计算阻抗数据的弛豫频率,所述弛豫频率为阻抗值虚部值最大时对应的频率;将所述弛豫频与肺病变病因的电气特征阈值进行比较;基于比较结果输出患者肺病变病因;
将重建的电导率分布图输出患者肺病变病因的结果和基于阻抗谱数据输出患者肺病变病因的结果进行结果融合,输出最终的患者肺病变病因。
图2是本发明实施例提供的一种基于EIT的电导率图像重建设备,所述设备包括:存储器和处理器;所述存储器用于存储程序指令;所述处理器用于调用程序指令,当程序指令被执行时,用于执行实现上述的基于EIT的电导率图像重建方法。
图3是本发明实施例提供的一种基于EIT的电导率图像重建系统,包括:
第一获取单元,用于获取患者的胸部影像图像;
提取单元,用途提取胸部和肺部的轮廓线,所述轮廓线内的区域为EIT仿真模型区域;
第二获取单元,用于通过EIT方法采集患者的边界电压数据;
处理单元,用于将所述边界电压数据输入卷积神经网络得到电导率分布;
重建单元,用于在所述EIT仿真模型区域内呈现所述电导率分布得到重建的电导率分布图。
在一个实施例中,所述系统包括第一获取单元、提取单元、第二获取单元、处理单元、重建单元和第一结果输出单元,所示第一结果输出单元用于基于所述重建的电导率分布图输出患者肺病变病因。
在一个实施例中,所述系统包括第一获取单元、提取单元、第二获取单元、处理单元、重建单元、第一结果输出单元、第三获取单元、第二处理单元和第二结果输出单元,所述第三获取单元用于采集患者的多频阻抗谱数据;所述第二处理单元用于计算对应的频率-电阻抗实部-电阻抗虚部矩阵,计算阻抗数据的弛豫频率,所述弛豫频率为阻抗值虚部值最大时对应的频率;所述第二结果输出单元用于将所述弛豫频与肺病变病因的电气特征阈值进行比较;基于比较结果输出患者肺病变病因。
在一个实施例中,所述系统包括第一获取单元、提取单元、第二获取单元、处理单元、重建单元、第一结果输出单元、第三获取单元、第二处理单元、第二结果输出单元、总结果输出单元,所示总结果输出单元用于将所述第一结果输出单元输出的患者肺病变病因和第二结果输出单元输出的患者肺病变病因进行结果融合,输出患者肺病变病因。
本发明的一个目的在于提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于EIT的电导率图像重建方法。
本验证实施例的验证结果表明,为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (16)
1.一种基于EIT的电导率图像重建方法,其特征在于,所述方法包括:
获取患者的胸部影像图像;
提取胸部和肺部的轮廓线,所述轮廓线内的区域为EIT仿真模型区域;
通过EIT方法采集患者的边界电压数据;
将所述边界电压数据输入卷积神经网络得到电导率分布,所述卷积神经网络包括输入层、卷积层、池化层、连接层、输出层,以边界电压值V作为卷积神经网络输入,通过非线性映射关系,输出所述电导率分布,所述连接层为RBF神经网络,用于逼近池化层的输出和输出层的输出之间的非线性映射关系,所述RBF神经网络的输入为GAP层的输出x,采用K-Means算法优化中心向量C、采用KNN算法求解宽度向量B、基于高斯函数的输出H及最小二乘法计算的权重W输出预测的电导率分布σ,所述非线性映射关系Rlearn数学表达式如下:
其中,R是网络结构,N是训练集的数量,θ是权重参数,E和g分别表示损失函数和正则化项;
在所述EIT仿真模型区域内呈现所述电导率分布得到重建的电导率分布图。
2.根据权利要求1所述的基于EIT的电导率图像重建方法,其特征在于,采用EIT模型提取胸部和肺部的轮廓线,具体为:从训练集中患者的胸部影像图像中分割出胸部和肺部的轮廓;通过选择具有等弧长原则的地标对齐不同患者的胸部区域,通过广义普氏分析进行迭代计算建立参考坐标;使用刚性变换对齐胸部轮廓与参考坐标;使用从胸部轮廓对齐计算出的刚性变换来对齐肺部轮廓;通过傅里叶函数将对齐的胸部轮廓和肺部轮廓进行曲线拟合,基于拟合曲线提取患者胸部和肺部的轮廓线。
3.根据权利要求1所述的基于EIT的电导率图像重建方法,其特征在于,首先,采用最大类间方差法从选定的CT图像中分割出胸部和肺部的轮廓;其次,通过选择具有等弧长原则的地标来对齐不同患者的胸部区域,通过广义普氏分析进行迭代计算来建立参考坐标;第三,使用刚性变换对齐胸部轮廓与参考坐标;第四,使用从胸部轮廓对齐计算出的刚性变换来对齐肺部轮廓;最后,通过傅里叶函数对齐的胸部和肺部轮廓进行曲线拟合。
4.根据权利要求2或3所述的基于EIT的电导率图像重建方法,其特征在于,所述刚性变换包括缩放、位移和/或旋转。
5.根据权利要求1所述的基于EIT的电导率图像重建方法,其特征在于,所述采集患者的边界电压数据是通过计算机控制阻抗分析仪将激励电流从16电极传感器注入人体胸腔,采用“相邻激励、相邻采集”模式,矩阵开关实现电极切换,循环一周采集到208个边界电压数据。
6.根据权利要求1所述的基于EIT的电导率图像重建方法,其特征在于,优化所述卷积神经网络模型的权重参数。
7.根据权利要求1所述的基于EIT的电导率图像重建方法,其特征在于,所述方法还包括基于所述重建的电导率分布图输出患者肺病变病因,所述病因包括气胸、肺炎、胸腔积水。
8.根据权利要求7所述的基于EIT的电导率图像重建方法,其特征在于,所述病因气胸、肺炎、胸腔积水有对应的电导率,基于所述患者的重建的电导率分布图和所述对应的电导率的匹配结果输出患者肺病变病因。
9.根据权利要求1所述的基于EIT的电导率图像重建方法,其特征在于,所述方法还包括基于阻抗谱数据输出患者肺病变原因。
10.根据权利要求9所述的基于EIT的电导率图像重建方法,其特征在于,所述基于阻抗谱数据输出患者肺病变原因的具体方法为:采集患者的多频阻抗谱数据;计算对应的频率-电阻抗实部-电阻抗虚部矩阵;计算阻抗数据的弛豫频率,所述弛豫频率为阻抗值虚部值最大时对应的频率;将所述弛豫频与肺病变病因的电气特征阈值进行比较;基于比较结果输出患者肺病变病因。
11.根据权利要求10所述的基于EIT的电导率图像重建方法,其特征在于,通过计算机控制阻抗分析仪将频率范围为f1~fn的电流从一对电极注入人体,同时从另一对电极采集阻抗数据,阻抗分析仪采集一次阻抗谱数据得到的肺部通气缺失区域的频率-阻抗幅值-相位矩阵为:
其中,Zi为与频率fi对应的阻抗幅值,为与频率fi对应的相位角;计算对应的频率-电阻抗实部-电阻抗虚部矩阵,其中与频率fi对应的电阻抗实部/>与频率fi对应的电阻抗虚部/>计算阻抗数据的弛豫频率frelax,弛豫频率为阻抗值虚部值最大时对应的频率;划分不同呼吸衰竭通气缺失肺病变病因的电气特征阈值f1和f2;根据弛豫频率与肺病变病因的电气特征阈值进行比较对肺病变病因进行分析。
12.根据权利要求9所述的基于EIT的电导率图像重建方法,其特征在于,基于所述重建的电导率分布图的结果和所述基于阻抗谱数据的结果,输出患者肺病变病因。
13.根据权利要求9所述的基于EIT的电导率图像重建方法,其特征在于,将重建的电导率分布图输出患者肺病变病因的结果和基于阻抗谱数据输出患者肺病变病因的结果进行结果融合,输出最终的患者肺病变病因。
14.一种基于EIT的电导率图像重建设备,其特征在于,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,用于执行实现权利要求1-13任意一项所述的基于EIT的电导率图像重建方法。
15.一种计算机程序产品,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-13任意一项所述的基于EIT的电导率图像重建方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-13任意一项所述的基于EIT的电导率图像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311128596.9A CN117274413B (zh) | 2023-09-01 | 2023-09-01 | 一种基于eit的电导率图像重建方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311128596.9A CN117274413B (zh) | 2023-09-01 | 2023-09-01 | 一种基于eit的电导率图像重建方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274413A CN117274413A (zh) | 2023-12-22 |
CN117274413B true CN117274413B (zh) | 2024-04-05 |
Family
ID=89203539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311128596.9A Active CN117274413B (zh) | 2023-09-01 | 2023-09-01 | 一种基于eit的电导率图像重建方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274413B (zh) |
Citations (9)
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 |
CN111862075A (zh) * | 2020-07-30 | 2020-10-30 | 西南医科大学 | 一种基于深度学习的肺部图像分析系统及其分析方法 |
WO2021223038A1 (en) * | 2020-05-08 | 2021-11-11 | Toma Jonathan Emanuel | Method and system for electrical impedance tomography |
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 |
CN113902826A (zh) * | 2021-10-21 | 2022-01-07 | 天津科技大学 | FCU-Net深度肺部电阻抗图像重建方法 |
CN114549682A (zh) * | 2022-02-24 | 2022-05-27 | 合肥诺和电子科技有限公司 | 一种用于电阻抗肺部成像图像的优化方法 |
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 |
CN115310347A (zh) * | 2022-07-04 | 2022-11-08 | 南京航空航天大学 | 一种基于图像的病态声带智能辅助分析优化方法和装置 |
CN115736877A (zh) * | 2022-11-03 | 2023-03-07 | 天津大学 | 聚焦式心脏电阻抗成像方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130096425A1 (en) * | 2011-10-14 | 2013-04-18 | General Electric Company | System and method for data reconstruction in soft-field tomography |
-
2023
- 2023-09-01 CN CN202311128596.9A patent/CN117274413B/zh active Active
Patent Citations (9)
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 |
WO2021223038A1 (en) * | 2020-05-08 | 2021-11-11 | Toma Jonathan Emanuel | Method and system for electrical impedance tomography |
CN111862075A (zh) * | 2020-07-30 | 2020-10-30 | 西南医科大学 | 一种基于深度学习的肺部图像分析系统及其分析方法 |
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 |
CN113902826A (zh) * | 2021-10-21 | 2022-01-07 | 天津科技大学 | FCU-Net深度肺部电阻抗图像重建方法 |
CN114549682A (zh) * | 2022-02-24 | 2022-05-27 | 合肥诺和电子科技有限公司 | 一种用于电阻抗肺部成像图像的优化方法 |
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 |
CN115310347A (zh) * | 2022-07-04 | 2022-11-08 | 南京航空航天大学 | 一种基于图像的病态声带智能辅助分析优化方法和装置 |
CN115736877A (zh) * | 2022-11-03 | 2023-03-07 | 天津大学 | 聚焦式心脏电阻抗成像方法 |
Non-Patent Citations (2)
Title |
---|
电阻抗成像技术监测急性呼吸窘迫综合征患者呼气末正压滴定时局部机械能的临床应用;池熠;《中华重症医学电子杂志》;20190626;第5卷(第2期);第115-119页 * |
肺部三维EIT模型构建与图像重建研究;陈晓艳等;《中国生物医学工程学报》;20171121;第36卷(第5期);第622-626页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274413A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | A statistical shape-constrained reconstruction framework for electrical impedance tomography | |
CN101564294B (zh) | 一种结构信息融合的电阻抗断层成像方法 | |
Zhang et al. | Supervised descent learning for thoracic electrical impedance tomography | |
Herzberg et al. | Graph convolutional networks for model-based learning in nonlinear inverse problems | |
CN111616708A (zh) | 一种精准识别脑卒中颅内病变区域的图像重建方法 | |
US11605162B2 (en) | Systems and methods for determining a fluid and tissue volume estimations using electrical property tomography | |
Yang et al. | Image reconstruction for electrical impedance tomography using enhanced adaptive group sparsity with total variation | |
Brazey et al. | Robust imaging using electrical impedance tomography: review of current tools | |
CN111340825A (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
CN113902825A (zh) | 基于VDD-Net的肺部电阻抗成像方法 | |
Yang et al. | Multiview sequential learning and dilated residual learning for a fully automatic delineation of the left atrium and pulmonary veins from late gadolinium-enhanced cardiac MRI images | |
CN110811596B (zh) | 基于低秩与稀疏约束和非局部全变分的无创心脏电位重建方法 | |
Attye et al. | TractLearn: A geodesic learning framework for quantitative analysis of brain bundles | |
Li et al. | SAR-CGAN: Improved generative adversarial network for EIT reconstruction of lung diseases | |
Langner et al. | Uncertainty-aware body composition analysis with deep regression ensembles on UK Biobank MRI | |
Wang et al. | Unsupervised evaluation and optimization for electrical impedance tomography | |
Wei et al. | A reliable deep learning scheme for nonlinear reconstructions in electrical impedance tomography | |
Ma et al. | Multi-frame constrained block sparse Bayesian learning for flexible tactile sensing using electrical impedance tomography | |
Wu et al. | Bayesian shape reconstruction using B-spline level set in electrical impedance tomography | |
Cen et al. | Electrical impedance tomography with deep Calderón method | |
CN117274413B (zh) | 一种基于eit的电导率图像重建方法、系统及设备 | |
Yu et al. | High-resolution conductivity reconstruction by electrical impedance tomography using structure-aware hybrid-fusion learning | |
Zhang et al. | Survey of EIT image reconstruction algorithms | |
CN115736877A (zh) | 聚焦式心脏电阻抗成像方法 | |
WO2022199621A1 (en) | Electrical impedance tomography based liver health assessment |
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 |