CN117523089A - 一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 - Google Patents
一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 Download PDFInfo
- Publication number
- CN117523089A CN117523089A CN202311465488.0A CN202311465488A CN117523089A CN 117523089 A CN117523089 A CN 117523089A CN 202311465488 A CN202311465488 A CN 202311465488A CN 117523089 A CN117523089 A CN 117523089A
- Authority
- CN
- China
- Prior art keywords
- training
- matrix
- training set
- solving
- discrete
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 96
- 239000011159 matrix material Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 238000002593 electrical impedance tomography Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Abstract
本发明提出了一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质，属于医学成像技术领域，其技术要点在于：S100，读取离散训练集：所述训练集包括：N个训练样本；对于任意第i个训练样本，其数据为：pi、wi、△vi；S200，基于S100提供的数据来求解重建矩阵R。采用本申请的一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质，能够有效的提高成像效率。
Description
技术领域
本发明属于医学成像这一技术领域，具体涉及一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质。
背景技术
对于肺功能成像，二维图像通常无法有效反应整个肺部通气的情况。因此，诸多学者致力于肺部的三维电阻抗成像。
例如：
文献1：王琦，陆纪璇，李秀艳，等.基于总变差正则化算法的三维肺部呼吸过程电阻抗成像方法[J].天津工业大学学报，2021，40(6)：52-59。
文献2：吴翟.肺呼吸过程的实时三维电阻抗成像系统研究[D].天津科技大学，2020。
文献3：高健,张于,杨芳杰,等.基于肺部电阻抗断层三维成像算法的研究[J].激光杂志,2020,41(5):188-191。
然而，研发团队在实践中发现现有的三维成像系统中仍然存在以下问题：
1)现有技术关于EIT成像的思路均是通过边界电压差矩阵(实测电压测量数据)，求解得到电导率分布矩阵，再通过电导率分布矩阵来实现成像。上述方式的三维成像系统运行速度较慢，给医护人员带来不便。
2)而更为关键的问题在于，现有技术的三维成像系统成像精度较低，准确性不高。
基于上述两点技术需求，研发团队在本申请提出了：“构建一种基于三维有限元法的完整电极模型，并构建一种最佳重建矩阵，建立从边界电压矩阵到三维图像像素向量的映射关系，实现三维成像”的技术路线。
但是，对于上述技术路线，还尚未有相关学者进行过研究。
发明内容
本发明的目的是为了解决上述现有技术存在的问题，提供一种基于离散训练集求解重建矩阵的方法。
本申请的另一目的在于提供一种三维成像方法。
本申请的又一目的在于提供一种存储介质。
本申请的技术方案在于：
一种基于离散训练集求解重建矩阵的方法，其包括如下步骤：
S100，读取离散训练集：所述训练集包括：N个训练样本；对于任意第i个训练样本，其数据为：pi、wi、△vi；
其中，pi为第i个训练样本的期望图像的像素向量；
其中，wi为第i个训练样本的训练权重；
其中，△vi是与pi对应的通过EIT正向模型计算得到的边界电压变化矩阵；
S200，求解重建矩阵R：
一种基于离散训练集求解重建矩阵的方法，其包括如下步骤：
S100，读取离散训练集：所述训练集包括：N个训练样本；对于任意第i个训练样本，其数据为：pi、wi、△vi；
其中，pi为第i个训练样本的期望图像的像素向量；
其中，wi为第i个训练样本的训练权重；
其中，△vi是与pi对应的通过EIT正向模型计算得到的边界电压变化矩阵；
S200，求解重建矩阵R：
其中，I表示单位矩阵；
其中，表示测量噪声的影响参数。
一种基于离散训练集求解重建矩阵的方法，其包括如下步骤：S100还包括：在读取离散训练集之前创建离散训练集；
所述创建离散训练集的方法为：
首先，获取空场域下的电导率分布一维向量σ(t),1及其对应的边界电压矩阵v(t),1：
其次，形成N个训练样本的图像的像素向量及其对应的边界电压变化矩阵：
单个训练样本的图像的像素向量及其对应的边界电压变化矩阵的形成方式如下：将训练目标导入场域，设置训练目标的材料属性后，然后进行有限元划分，将网格内所有节点的电导率导出得到训练目标的电导率分布的一维向量，记为σ(t),2，通过正向计算模型，获得其边界电压矩阵为v(t),2；由此可得：电导率分布差一维向量：△σ(t)＝σ(t),2-σ(t),1；根据△σ(t)，能够获取图像的像素向量；边界电压变化矩阵：Δv(t)＝v(t),2-v(t),1；
上述单个训练样本的图像的像素向量及其对应的边界电压变化矩阵的形成方法进行N次，训练目标在N次选择的训练位置均不同，得到离散训练集。
一种三维图像的方法，其包括如下步骤：
S1，采用前述的方法获得重建矩阵R；
S2，读取实测的边界电压差矩阵△V；
S3，求解三维图像的像素向量
一种存储介质，其存储有计算机程序，所述计算机程序用于执行前述的重建矩阵的方法。
一种存储介质，其存储有计算机程序，所述计算机程序用于执行前述的三维图像的方法。
本发明技术方案的优点主要体现在：
(1)本申请提出了新的一种技术路线：直接确定重建矩阵,(重建矩阵R是从边界电压到三维图像体素的映射关系)。采用上述技术路线，在获取待测对象(如脑部、胸部等)的边界电压差矩阵后，能够直接生成图像的像素向量，进而能够成像。
(2)本申请的三维图像在应用时，应当使用先验的知识，即离散训练集来确定重建矩阵R。对此，经过理论推导，提出了最优的重建矩阵：
(3)为了考虑测量噪声的影响，给出了修正后的最优重建矩阵：
附图说明
下面结合附图中的实施例对本申请作进一步的详细说明，但并不构成对本申请的任何限制。
图1是本申请的三维成像方法的流程图。
具体实施方式
本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。
＜1：重建矩阵R求解的理论基础＞
＜1.1、构建电极模型＞
定义一个具有分段光滑边界的三维有界场域Ω，边界为边界电极是完全导电，通过这些电极向场域内施加电流，得到场域内电导率分布σ与内部电势u之间的广义拉普拉斯方程：
将总共L个电极附接到边界其位置表示为l，l＝1，2，…，L。
电极与场域边界的接触阻抗表示为zl，则完整电极模型的边界条件表示为：
其中：Γ是场域边界上的电极区域，并且Il表示在第l电极处的注入电流，n表示场域边界上的向外法向的单位向量，Ul是电极l上的电位，I为电极上注入的电流，dV是单位体素。
＜1.2、构建一种基于位置函数的形式化理想图像及其性能指标＞
构建一种基于理想三维目标的sigmoid图像位置函数：
其中，r是三维图像的位置向量，r0是目标中心，R是目标半径，s是控制模糊的标量，期望图像p是f(r)在图像上的离散化，每个三维图像体素为在体积上对f(r)积分的值，通过计算内部点的分布上的函数来实现。
对于期望图像p说明如下：
以一个球体作为训练目标为例，首先通过有限元对三维空场域进行离散化，并对划分的所有自由四面体网格的中心赋值电导率σr作为参考电导率分布，然后在距离三维场域坐标原点为矢量r处插入一个半径为R0的球体，然后对含有目标物的场域进行离散化并对球体网格中心赋值电导率σt，三维离散化场域所有网格中心的电导率分布用一维向量Δσ(t)表示，通过映射矩阵M(t)计算得到期望三维图像体素分布，用一维向量p(t)表示：
p(t)＝M(t)·Δσ(t)
其中，映射矩阵M(t)中的每一个元素M(t),ij表示通过在三维图像体素j中包含的电导率分布区域i的体积分数；
定义一组理想的图像性能指标，其包括4种性能指标：
1.2.1，幅度响应(AR)。其表示测量目标图像像素振幅与重建图像中图像像素振幅的比值，定义为：
其中，Δσ＝σt-σr，Vt表示目标物t的体积，σt表示目标物t的电导率，σr表示场域内均匀参考电导率，AR应当尽可能稳定。
1.2.2，位置误差(PE)。其表示重建区域的中心到目标图像中心的偏差，定义为：
PE＝rt-rq
其中，rt＝|rt|表示目标到图像中心的欧式距离，rq＝|rq|表示重建区域到图像中心的欧式距离，PE的笛卡尔分量(PEx,PEy,PEz)由向量rt-rq定义，PE应当尽可能小。
1.2.3，分辨率(RES)。在三个维度上分别定义分辨率(RESx,RESy,RESz)；每个维度的分辨率表示全局图像像素和的曲线图中沿该维度方向上最大值体素的上下边界点之间的距离，例如，RESz表示沿z轴方向上/>最大值体素的上边界点与下边界点之间的距离，RES应当尽均匀且较小。
1.2.4，噪声指数(NF)。其表示重建图像的信噪比与边界电压数据的信噪比的比率，定义为：
NF建议为0.5。
＜1.3、重建矩阵R的推导＞
定义一组由N个离散的训练目标构成的集合，满足上述的位置函数，对每个训练目标t进行如下操作：
对上述构建的三维空场域进行有限元划分，其电导率分布为σ(t),1，通过正向计算模型，获得其边界电压数据为v(t),1；对于含有训练目标的三维场域，其电导率分布为σ(t),2，通过正向计算模型，获得其边界电压数据为v(t),2；
两者电导率分布和边界电压数据分别作差：
Δσ(t)＝σ(t),2-σ(t),1
Δv(t)＝v(t),2-v(t),1
训练目标t对应的三维图像记为p(t)，从σ(t)到p(t)的映射矩阵为M(t)，可得到：
p(t)＝M(t)·Δσ(t)
其中，映射矩阵M(t)中的每一个元素M(t),ij表示通过在三维图像区域j中包含的每个正向计算模型区域i的体积分数。
建立从边界电压到三维图像的重建矩阵R可以表示为：
其中，重建的三维图像满足上述四种理想性能指标；
采用最小二乘法使误差ε2最小化：
ε2(R)＝Ew[||p-R·Δv||2]
其中，Ew[·]表示在一组训练目标上的期望，||·2表示二范数，w表示分配给每个训练目标的权重；
期望Ew[·]定义为平均值：
其中，w被归一化，其平均值为1。
通过最小化ε2并使得 得到：
进一步得到：
Ew[pΔvT]-REw[pΔvT]＝0
由此可以得到重建矩阵R的表达式：
R＝Ew[pΔvT](Ew[ΔvΔvT])-1
其中：
因此，R可采用下式计算：
在实际测量中，由于存在噪声，因此，更优的方法是在R矩阵中增加噪声的影响。
具体而言，在ΔvΔvT矩阵中增加一项噪声矩阵nnT，因此有下式：
其中，表示噪声协方差，其平均权重w＝1，由于噪声样本在测量中是独立的且不相关的，因此/>
此种条件下：重构矩阵R可以表示为：
或
＜实施例1：一种基于离散训练集求解重建矩阵的方法＞
一种基于离散训练集求解重建矩阵的方法，其包括如下步骤：
S100，创建以及读取离散训练集，包括子步骤S101和S102：
S101，创建离散训练集：
首先，获取空场域下的电导率分布一维向量及其对应的边界电压数据：
在Comsol软件中导入三维场域，采用自由四面体网格对场域和目标物进行有限元划分，设置场域的材料属性，包括电导率和介电常数，将网格内所有节点的电导率导出得到空场域的电导率分布的一维向量，记为σ(t),1，通过正向计算模型，获得其边界电压数据为v(t),1；
其次，形成N个训练样本的图像的像素向量及其对应的边界电压变化矩阵；
其中，单个训练样本的图像的像素向量及其对应的边界电压变化矩阵的形成方式如下：
将训练目标导入场域，训练目标的位置在场域内是随机的，设置训练目标的材料属性(即电导率)后，然后进行有限元划分，将网格内所有节点的电导率导出得到训练目标的电导率分布的一维向量(训练样本一般选择球体，导入场域后设置球的电导率，然后进行有限元划分，导出节点上的电导率的值)，记为σ(t),2，通过正向计算模型，获得其边界电压数据为v(t),2；
由此可得：电导率分布和边界电压数据分别作差：
Δσ(t)＝σ(t),2-σ(t),1
Δv(t)＝v(t),2-v(t),1
而知晓电导率分布差一维向量Δσ，对应的图像的像素向量P也即可知晓。
上述方法进行N次，训练目标在N次选择的场域内的位置均不同，即可得到离散训练集。
S102，读取离散训练集：
所述训练集包括：N个训练样本；
对于任意第i个训练样本，其数据为：pi、wi、△vi；
其中，pi为第i个训练样本的期望图像的像素向量；
其中，wi为第i个训练样本的训练权重；
其中，△vi是与pi对应的通过EIT正向模型计算得到的边界电压变化矩阵；
S200，求解重建矩阵R：
或，
其中，I表示单位矩阵(其矩阵的行数列数与△vi相同)；
其中，σn表示测量噪声的影响参数，其为预设值(一般取值在0.1～0.2之间)。
需要说明的是，对于各个训练样本的权重wi，其为预设值。
需要说明的是，对于△vi是通过EIT正向模型计算得到的关于pi的边界电压，能够通过雅可比矩阵计算。
＜实施例2：获取三维图像＞
一种获取三维图像的方法，其包括如下步骤：
S1，通过相邻激励和相邻测量模式分别获得前后两个呼吸时刻的边界电压差矩阵，分别记为V1和V2，两者作差得到△V＝V2-V1；
S2，求解三维图像；
其中，表示待求解的三维图像的像素向量；
其中，R表示通过实施例1确定的重建矩阵。
需要说明的是，关于边界电压差矩阵△V的获取，在现有技术：CN115177234B等已有详细的论述，在此不再熬述。
需要说明的是，三维图像的像素存储在计算机中也是采用一维像素向量的方式来存储。
需要说明的是，△vi的确定采用EIT正向模型计算方法确定，在现有技术：K.Zhanget al.,"A Deep Generative Model-Integrated Framework for 3-D Time-DifferenceElectrical Impedance Tomography,"in IEEE Transactions on Instrumentation andMeasurement,vol.72,pp.1-12,2023”等已有详细的论述，在此不再熬述。
以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明作任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。
Claims (6)
1.一种基于离散训练集求解重建矩阵的方法，其特征在于，包括如下步骤：
S100，读取离散训练集：所述训练集包括：N个训练样本；对于任意第i个训练样本，其数据为：pi、wi、△vi；
其中，pi为第i个训练样本的期望图像的像素向量；
其中，wi为第i个训练样本的训练权重；
其中，△vi是与pi对应的通过EIT正向模型计算得到的边界电压变化矩阵；
S200，求解重建矩阵R：
2.一种基于离散训练集求解重建矩阵的方法，其特征在于，包括如下步骤：
S100，读取离散训练集：所述训练集包括：N个训练样本；对于任意第i个训练样本，其数据为：pi、wi、△vi；
其中，pi为第i个训练样本的期望图像的像素向量；
其中，wi为第i个训练样本的训练权重；
其中，△vi是与pi对应的通过EIT正向模型计算得到的边界电压变化矩阵；
S200，求解重建矩阵R：
其中，I表示单位矩阵；
其中，表示测量噪声的影响参数。
3.根据权利要求1或2所述的一种基于离散训练集求解重建矩阵的方法，其包括如下步骤：S100还包括：在读取离散训练集之前创建离散训练集；
所述创建离散训练集的方法为：
首先，获取空场域下的电导率分布一维向量σ(t),1及其对应的边界电压矩阵v(t),1：
其次，形成N个训练样本的图像的像素向量及其对应的边界电压变化矩阵：
单个训练样本的图像的像素向量及其对应的边界电压变化矩阵的形成方式如下：将训练目标导入场域，设置训练目标的材料属性后，然后进行有限元划分，将网格内所有节点的电导率导出得到训练目标的电导率分布的一维向量，记为σ(t),2，通过正向计算模型，获得其边界电压矩阵为v(t),2；由此可得：电导率分布差一维向量：△σ(t)＝σ(t),2-σ(t),1；根据△σ(t)，能够获取图像的像素向量；边界电压变化矩阵：Δv(t)＝v(t),2-v(t),1；
上述单个训练样本的图像的像素向量及其对应的边界电压变化矩阵的形成方法进行N次，训练目标在N次选择的训练位置均不同，得到离散训练集。
4.一种三维图像的方法，其特征在于，包括如下步骤：
S1，采用权利要求1或2或3的方法获得重建矩阵R；
S2，读取实测的边界电压差矩阵△V；
S3，求解三维图像的像素向量
5.一种存储介质，其特征在于，其存储有计算机程序，所述计算机程序用于执行如权利要求1或2或3所述的求解重建矩阵的方法。
6.一种存储介质，其特征在于，一种存储介质，其存储有计算机程序，所述计算机程序用于执行如权利要求4所述的三维图像的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465488.0A CN117523089B (zh) | 2023-11-06 | 2023-11-06 | 一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465488.0A CN117523089B (zh) | 2023-11-06 | 2023-11-06 | 一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117523089A true CN117523089A (zh) | 2024-02-06 |
| CN117523089B CN117523089B (zh) | 2024-04-30 |
Family
ID=89746875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311465488.0A Active CN117523089B (zh) | 2023-11-06 | 2023-11-06 | 一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117523089B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090216148A1 (en) * | 2008-01-25 | 2009-08-27 | Katherine Freed | Three-dimensional impedance imaging device |
| 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 |
| CN109493395A (zh) * | 2018-10-31 | 2019-03-19 | 天津大学 | 基于保形变换的开放式电阻抗层析成像图像重建方法 |
| 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 |
| CN111192337A (zh) * | 2019-12-24 | 2020-05-22 | 东南大学 | 基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法 |
| CN111407272A (zh) * | 2020-03-16 | 2020-07-14 | 北京航空航天大学 | 一种基于闭环控制原理的离散电容层析成像图像重建方法 |
| CN113435076A (zh) * | 2021-05-12 | 2021-09-24 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种基于改进反投影算法的电阻层析图像重建方法 |
| CN115245322A (zh) * | 2022-07-29 | 2022-10-28 | 南京航空航天大学 | 三维电极传感器、检测系统及方法、基于块稀疏贝叶斯学习数据处理方法 |
| CN115311227A (zh) * | 2022-08-05 | 2022-11-08 | 北京航空航天大学 | 一种基于参数水平集三维eit图像重建的膀胱体积测量方法 |
| CN116269303A (zh) * | 2023-03-09 | 2023-06-23 | 南京航空航天大学 | 考虑电极异常的电导率求解方法、成像方法、存储介质 |
| CN116824048A (zh) * | 2023-06-05 | 2023-09-29 | 南京航空航天大学 | 一种传感器、雅可比矩阵求解方法、三维成像系统及方法 |
| CN116869504A (zh) * | 2023-06-19 | 2023-10-13 | 河南师范大学 | 一种用于脑缺血电导率分布重建的数据补偿方法 |
-
2023
- 2023-11-06 CN CN202311465488.0A patent/CN117523089B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090216148A1 (en) * | 2008-01-25 | 2009-08-27 | Katherine Freed | Three-dimensional impedance imaging device |
| 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 |
| CN109493395A (zh) * | 2018-10-31 | 2019-03-19 | 天津大学 | 基于保形变换的开放式电阻抗层析成像图像重建方法 |
| 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 |
| CN111192337A (zh) * | 2019-12-24 | 2020-05-22 | 东南大学 | 基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法 |
| CN111407272A (zh) * | 2020-03-16 | 2020-07-14 | 北京航空航天大学 | 一种基于闭环控制原理的离散电容层析成像图像重建方法 |
| CN113435076A (zh) * | 2021-05-12 | 2021-09-24 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种基于改进反投影算法的电阻层析图像重建方法 |
| CN115245322A (zh) * | 2022-07-29 | 2022-10-28 | 南京航空航天大学 | 三维电极传感器、检测系统及方法、基于块稀疏贝叶斯学习数据处理方法 |
| CN115311227A (zh) * | 2022-08-05 | 2022-11-08 | 北京航空航天大学 | 一种基于参数水平集三维eit图像重建的膀胱体积测量方法 |
| CN116269303A (zh) * | 2023-03-09 | 2023-06-23 | 南京航空航天大学 | 考虑电极异常的电导率求解方法、成像方法、存储介质 |
| CN116824048A (zh) * | 2023-06-05 | 2023-09-29 | 南京航空航天大学 | 一种传感器、雅可比矩阵求解方法、三维成像系统及方法 |
| CN116869504A (zh) * | 2023-06-19 | 2023-10-13 | 河南师范大学 | 一种用于脑缺血电导率分布重建的数据补偿方法 |
Non-Patent Citations (3)
| Title |
|---|
| KE ZHANG; LU WANG; RUI GUO; ZHICHAO LIN: "A Deep Generative Model-Integrated Framework for 3-D Time-Difference Electrical Impedance Tomography", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT 》, 8 December 2022 (2022-12-08) * |
| YANG WU; BAI CHEN; KAI LIU; SHAN HUANG DEPARTMENT OF PATHOLOGY, THE FIRST AFFILIATED HOSPITAL OF SOOCHOW UNIVERSITY, SUZHOU, CHINA: "Bayesian Image Reconstruction Using Weighted Laplace Prior for Lung Respiratory Monitoring With Electrical Impedance Tomography", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, 16 December 2022 (2022-12-16) * |
| 陈晓艳;褚猛丽;常晓敏;章晓洁;: "肺部三维EIT模型构建与图像重建研究", 中国生物医学工程学报, no. 05, 20 October 2017 (2017-10-20) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117523089B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Isaacson et al. | Reconstructions of chest phantoms by the D-bar method for electrical impedance tomography | |
| Barr et al. | Relating epicardial to body surface potential distributions by means of transfer coefficients based on geometry measurements | |
| Boldea et al. | 4D‐CT lung motion estimation with deformable registration: quantification of motion nonlinearity and hysteresis | |
| Gençer et al. | Sensitivity of EEG and MEG measurements to tissue conductivity | |
| Adler et al. | Temporal image reconstruction in electrical impedance tomography | |
| Declerck et al. | Use of a 4D planispheric transformation for the tracking and analysis of LV motion with tagged MR images | |
| CN112798654B (zh) | 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 | |
| JPH067312A (ja) | 生体内の電流源分布を推定して表示する方法 | |
| Wilms et al. | Multivariate regression approaches for surrogate-based diffeomorphic estimation of respiratory motion in radiation therapy | |
| Fletcher et al. | Estimation of interpolation errors in scalp topographic mapping | |
| Sermesant et al. | A fast-marching approach to cardiac electrophysiology simulation for XMR interventional imaging | |
| Kauppinen et al. | Sensitivity distribution simulations of impedance tomography electrode combinations | |
| Mennessier et al. | Attenuation correction in SPECT using consistency conditions for the exponential ray transform | |
| Abascal et al. | Electrical impedance tomography in anisotropic media with known eigenvectors | |
| CN117523089B (zh) | 一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 | |
| US20240074689A1 (en) | Volumetric lat map | |
| Rahola et al. | Iterative solution of dense linear systems arising from the electrostatic integral equation in MEG | |
| Meister et al. | Graph convolutional regression of cardiac depolarization from sparse endocardial maps | |
| Zhang et al. | Survey of EIT image reconstruction algorithms | |
| CN110992385B (zh) | 抑制伪影与保护边缘的颅内图像重建方法 | |
| Johnson et al. | Multilevel methods for inverse bioelectric field problems | |
| Wang et al. | Optimized excitation mode for generalized back projection algorithm in 3-D EIT | |
| White et al. | Modeling and incorporating cardiac‐induced lung tissue motion in a breathing motion model | |
| Kim et al. | Image reconstruction with prior information in electrical resistance tomography | |
| CN114601443B (zh) | 一种单电极偏移失配校正的电阻抗层析成像方法 |
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 |