TW201801674A - 電阻抗斷層攝影術影像之後處理系統與後處理方法 - Google Patents
電阻抗斷層攝影術影像之後處理系統與後處理方法 Download PDFInfo
- Publication number
- TW201801674A TW201801674A TW105122475A TW105122475A TW201801674A TW 201801674 A TW201801674 A TW 201801674A TW 105122475 A TW105122475 A TW 105122475A TW 105122475 A TW105122475 A TW 105122475A TW 201801674 A TW201801674 A TW 201801674A
- Authority
- TW
- Taiwan
- Prior art keywords
- electrical impedance
- post
- impedance tomography
- image
- processing device
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0536—Impedance imaging, e.g. by 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一種電阻抗斷層攝影術影像之後處理系統包含處理裝置與後處理裝置,後處理裝置耦接處理裝置。處理裝置用以根據量測數據並透過解算方法產生第一電阻抗斷層攝影術影像。量測數據是利用電阻抗斷層攝影儀器測量。後處理裝置用以接收第一電阻抗斷層攝影術影像,以及透過類神經網路演算法對第一電阻抗斷層攝影術影像進行後處理以產生第二電阻抗斷層攝影術影像。
Description
本揭示內容是關於一種影像後處理技術,且特別是關於一種電阻抗斷層攝影術影像之後處理系統與後處理方法。
電阻抗斷層攝影術(Electrical impedance tomography,EIT)是一種藉由身體某一部分之導電率分布來產生斷層影像的醫學造影技術。與其他的傳統造影技術如正子放射電腦斷層攝影術(Positron emission tomography,PET)、電腦斷層攝影術(Computed tomography,CT)與磁共振成像(Magnetic resonance imaging,MRI)比較,電阻抗斷層攝影術是一種價格不昂貴、非侵入式並且無游離輻射的斷層攝影技術。然而電阻抗斷層攝影術的缺點在於影像的解析度相對不足,其原因通常是受到用以獲取資料之電極數量所限制;然而,增加電極數量的同時成本也隨之提高,意味著藉由增加電極數量並非提
升影像解析度的良好辦法。
本揭示內容的一態樣是提供一種電阻抗斷層攝影術影像之後處理系統,其包含處理裝置與後處理裝置,後處理裝置耦接處理裝置。處理裝置用以根據量測數據並透過解算方法產生第一電阻抗斷層攝影術影像。量測數據是利用電阻抗斷層攝影儀器測量。後處理裝置用以接收第一電阻抗斷層攝影術影像,以及透過類神經網路演算法對第一電阻抗斷層攝影術影像進行後處理以產生第二電阻抗斷層攝影術影像。
於本揭示內容之一實施例中,後處理裝置更用以透過類神經網路演算法並根據量測數據對第一電阻抗斷層攝影術影像進行後處理以產生第三電阻抗斷層攝影術影像。
於本揭示內容之一實施例中,類神經網路演算法包含輸入層、輸出層與至少一隱藏層,後處理裝置更用以輸入至少一訓練影像至輸入層,並輸入對應至少一訓練影像之至少一實際影像至輸出層以決定至少一隱藏層與輸入層之間、至少一隱藏層與輸出層之間的複數個加權參數。
於本揭示內容之一實施例中,處理裝置更用以根據至少一訓練數據並透過解算方法產生至少一訓練影像,以及將至少一訓練影像傳送至後處理裝置。至少一訓練數據是利用電阻抗斷層攝影儀器測量。
於本揭示內容之一實施例中,後處理裝置更用以根據雜訊數據決定加權參數。
於本揭示內容之一實施例中,解算方法為線性演算法。
於本揭示內容之一實施例中,解算方法為非線性迭代法。
本揭示內容的另一態樣是提供一種電阻抗斷層攝影術影像之後處理方法,其包含以下步驟。透過處理裝置,根據量測數據並透過解算方法產生第一電阻抗斷層攝影術影像。量測數據是利用電阻抗斷層攝影儀器測量。透過後處理裝置,利用類神經網路演算法對第一電阻抗斷層攝影術影像進行後處理以產生第二電阻抗斷層攝影術影像。
於本揭示內容之一實施例中,透過後處理裝置,利用該類神經網路演算法並根據該量測數據對該第一電阻抗斷層攝影術影像進行後處理以產生一第三電阻抗斷層攝影術影像。
於本揭示內容之一實施例中,類神經網路演算法包含輸入層、輸出層與至少一隱藏層。後處理方法更包含以下步驟。透過後處理裝置,輸入至少一訓練影像至輸入層,並輸入對應至少一訓練影像之至少一實際影像至輸出層以決定至少一隱藏層與輸入層之間、至少一隱藏層與輸出層之間的複數個加權參數。
於本揭示內容之一實施例中,透過處理裝置,根據至少一訓練數據並透過解算方法產生至少一訓練影
像。至少一訓練數據是利用電阻抗斷層攝影儀器測量。
於本揭示內容之一實施例中,透過後處理裝置,根據雜訊數據決定加權參數。
於本揭示內容之一實施例中,解算方法為線性演算法。
於本揭示內容之一實施例中,解算方法為非線性迭代法。
本揭示內容得以透過上述實施例,透過類神經網路演算法對解算方法產生的電阻抗斷層攝影術影像進行後處理以產生準確度較高的電阻抗斷層攝影術影像。此外,本揭示內容亦可透過類神經網路直接由量測數據產生準確度高的電阻抗斷層攝影術影像。
以下將以實施方式對上述之說明作詳細的描述,並對本揭示內容之技術方案提供更進一步的解釋。
為讓本揭示內容之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附符號之說明如下:
100‧‧‧電阻抗斷層攝影術影像之後處理系統
110‧‧‧處理裝置
120‧‧‧後處理裝置
200‧‧‧類神經網路
210‧‧‧輸入層
211~21n‧‧‧輸入神經元
220‧‧‧隱藏層
221~22n‧‧‧隱藏神經元
230‧‧‧輸出層
231~23n‧‧‧輸出神經元
240‧‧‧加權參數
300‧‧‧類神經網路
310‧‧‧輸入層
311~31n‧‧‧輸入神經元
320‧‧‧隱藏層
321~32n‧‧‧隱藏神經元
330‧‧‧隱藏層
331~33n‧‧‧隱藏神經元
340‧‧‧輸出層
341~34n‧‧‧輸出神經元
350‧‧‧加權參數
410、420‧‧‧目標物體
1000、1100‧‧‧電阻抗斷層攝影術影像之後處理方法
S1002~S1006、S1102~S1106‧‧‧步驟
1210‧‧‧電極控制器
1220‧‧‧資料擷取裝置
1232、1332‧‧‧電極
1234、1334‧‧‧承載面
1240‧‧‧物體
1242‧‧‧變異區塊
1336‧‧‧電極陣列
為讓本揭示內容之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附圖式之說明如下:第1圖係說明本揭示內容一實施例之電阻抗斷層攝影術影像之後處理系統之示意圖;第2A~2C圖係說明本揭示內容一些實施例之類神經網路示意圖;第3圖係說明本揭示內容一實施例之類神經網路示意圖;
第4~9圖係說明本揭示內容一實施例之電阻抗斷層攝影術影像示意圖;第10圖係說明本揭示內容一實施例之電阻抗斷層攝影術影像之後處理方法流程圖;第11圖係說明本揭示內容一實施例之電阻抗斷層攝影術影像之後處理方法流程圖;第12圖係為根據本揭示內容一實施例之電阻抗斷層攝影儀器示意圖;以及第13圖係為根據本揭示內容一實施例之電阻抗斷層攝影儀器示意圖。
為了使本揭示內容之敘述更加詳盡與完備,可參照附圖及以下所述之各種實施例。但所提供之實施例並非用以限制本發明所涵蓋的範圍;步驟的描述亦非用以限制其執行之順序,任何由重新組合,所產生具有均等功效的裝置,皆為本發明所涵蓋的範圍。
於實施方式與申請專利範圍中,除非內文中對於冠詞有所特別限定,否則「一」與「該」可泛指單一個或複數個。將進一步理解的是,本文中所使用之「包含」、「包括」、「具有」及相似詞彙,指明其所記載的特徵、區域、整數、步驟、操作、元件與/或組件,但不排除其所述或額外的其一個或多個其它特徵、區域、整數、步驟、操作、元件、組件,與/或其中之群組。
關於本文中所使用之「約」、「大約」或「大致約」一般通常係指數值之誤差或範圍約百分之二十以內,較好地是約百分之十以內,而更佳地則是約百分五之以內。文中若無明確說明,其所提及的數值皆視作為近似值,即如「約」、「大約」或「大致約」所表示的誤差或範圍。
另外,關於本文中所使用之「耦接」及「連接」,均可指二或多個元件相互直接作實體接觸或電性接觸,相互間接作實體接觸或電性接觸,而「耦接」還可指二或多個元件相互操作或動作。
請參考第1圖,第1圖係說明本揭示內容一實施例之電阻抗斷層攝影術影像之後處理系統100之示意圖。後處理系統100包含處理裝置110與後處理裝置120,後處理裝置120耦接處理裝置110。處理裝置110用以根據量測數據產生電阻抗斷層攝影術影像。量測數據是利用電阻抗斷層攝影術(Electrical impedance tomography,EIT)、電阻斷層攝影術(Electrical resistivity tomography,ERT)或電容斷層攝影術(Electrical capacitance tomography,ECT)產生。
具體而言,處理裝置110(例如計算機、電腦、可程式化邏輯閘陣列(Field-programmable gate array,FPGA),但本揭示內容不以此為限)用以根據量測數據並透過解算方法產生第一電阻抗斷層攝影術影像。一般而言,僅透過解算方法產生的第一電阻抗斷層攝影術影像與目標物體的實際影像不完全相同,亦即有失真的問題。接著,後
處理裝置120(例如可程式化邏輯閘陣列(FPGA),但本揭示內容不以此為限)用以透過類神經網路(Neural network,NN)演算法對上述第一電阻抗斷層攝影術影像進行後處理以產生第二電阻抗斷層攝影術影像。於本實施例中,後處理裝置120利用的類神經網路演算法可有效地解出量測數據與物體實際影像之間的非線性問題。因此,相較於第一電阻抗斷層攝影術影像,第二電阻抗斷層攝影術影像具有較高的準確性。須說明的是,上述後處理裝置120利用已經過訓練的類神經網路演算法來產生第二電阻抗斷層攝影術影像。換言之,後處理裝置120利用應用階段(Application phase)的類神經網路演算法以產生第二電阻抗斷層攝影術影像。
於一實施例中,後處理裝置120利用的類神經網路演算法可以是人工類神經網路(Artificial neural network,ANN),如第2A~2C圖所示。類神經網路200包含輸入層210、隱藏層220與輸出層230。輸入層210包含至少一輸入神經元211~21n,隱藏層220包含至少一隱藏神經元221~22n,輸出層230包含至少一輸出神經元231~23n。輸入層210與隱藏層220之間、隱藏層220與輸出層230之間均存在加權參數240。於類神經網路200的訓練階段(Training phase)中,後處理裝置120可透過訓練影像與實際影像來訓練類神經網路200以提高第二電阻抗斷層攝影術影像的準確度。具體而言,後處理裝置120可輸入至少一訓練影像至輸入層210,並輸入至少一實際影像至輸出
層230來決定隱藏層220與輸入層210之間、至少一隱藏層220與輸出層230之間的加權參數240。須注意到的是,上述實際影像與上述訓練影像具有對應關係。因此,後處理裝置120將透過類似量測條件得到的第一電阻抗斷層攝影術影像輸入類神經網路200(具有上述決定的加權參數240),可產生較為接近實際影像的第二電阻抗斷層攝影術影像,亦即準確度較高的第二電阻抗斷層攝影術影像。
再者,於一實施例中,類神經網路200為放射式基底函數(Radial basis function,RBF)類神經網路。放射式基底函數類神經網路具有一個隱藏層220,隱藏層220為放射式基底函數,公式表示如下:
上述的公式中:wj為第j個隱藏神經元的加權參數,x為輸入向量,t為放射式基底函數的中心向量(通常設定t為0),σ為擴散常數(Spread constant)。訓練過程為選擇一中心向量t之後,將類神經網路200的輸出適配為輸入向量x與加權參數wj的放射式基底函數的線性組合。若具有足夠數量的隱藏神經元,放射式基底函數類神經網路可達到高近似程度。
須補充的是,上述人工類神經網路可以實作為前饋式類神經網路(Feedforward neural network,如第2A圖所示)、回饋式類神經網路(Recurrent neural network,如第2B圖所示)或迴旋類神經網路(Convolutional neural network,如第2C圖所示),但
本揭示內容不以此為限。此外,輸入層210與輸出層230亦不限於單一層,也可以是複數層。
或者,於另一實施例中,後處理裝置120利用的類神經網路演算法可以是深層類神經網路(Deep neural network,DNN),如第3圖所示。類神經網路300包含輸入層310、複數個隱藏層320、330與輸出層340。輸入層310包含至少一輸入神經元311~31n,隱藏層320包含至少一隱藏神經元321~32n,隱藏層330包含至少一隱藏神經元331~33n,輸出層340包含至少一輸出神經元341~34n。輸入層310與隱藏層320之間、隱藏層320與輸出層340之間、隱藏層330與輸出層340之間均存在加權參數350。如上述,於類神經網路300的訓練階段中,後處理裝置120可透過訓練影像與實際影像來訓練類神經網路300以提高第二電阻抗斷層攝影術影像的準確度,此處不再重複。須注意到的是,類神經網路300的隱藏層數目可以是其他數目,不以兩個隱藏層320、330為限,並且隱藏層之間的加權參數350亦可經由上述後處理裝置120的訓練過程決定。
類似地,上述深層類神經網路可以實作為前饋式類神經網路(如第3圖所示)、回饋式類神經網路或迴旋類神經網路,但本揭示內容不以此為限。此外,輸入層310與輸出層340亦不限於單一層,也可以是複數層。
於一實施例中,上述解算方法可以是線性解算方法(例如線性單步驟高斯牛頓演算法(Linear one-step Gauss-Newton algorithm))或非線性解算方法(例如原
對偶內點法(Primal-dual interior point method,PDIPM)或其他迭代法)。
於一實施例中,上述後處理裝置120用來訓練類神經網路200、300的訓練影像可透過處理裝置110根據訓練數據並經由解算方法(例如線性解算方法或非線性解算方法)產生。類似於量測數據,訓練數據是利用電阻抗斷層攝影儀器測量。具體而言,使用者可先利用電阻抗斷層攝影術量測目標物體以取得訓練數據。接著,處理裝置110透過根據訓練數據並透過解算方法產生訓練影像。一般而言,僅透過解算方法產生的訓練影像與目標物體的實際影像不完全相同,亦即有失真的問題。因此,後處理裝置120透過訓練影像與實際影像訓練出的類神經網路200、300可有效地產生準確率高的電阻抗斷層攝影術影像(亦即第二電阻抗斷層攝影術影像)。此外,後處理系統100根據量測數據並透過解算方法與類神經網路演算法產生第二電阻抗斷層攝影術影像所需的時間非常短(例如僅約0.80秒,實際計算時間需視影像尺寸、處理裝置110與後處理裝置120的速度而定)。
或者,於另一實施例中,後處理裝置120可透過類神經網路演算法並根據量測數據對第一電阻抗斷層攝影術影像進行後處理以產生第三電阻抗斷層攝影術影像。類神經網路200、300的訓練方式如上述,此處不再重複。須注意到的是,於本實施例中,後處理裝置120可利用量測數據進一步將電阻抗斷層攝影術影像的導電度值校正為實際
導電度值,因此第三電阻抗斷層攝影術影像具有影像與導電度值的高準確度。此外,後處理系統100根據量測數據並透過類神經網路演算法產生第三電阻抗斷層攝影術影像所需的時間非常短(例如僅約0.36秒,實際計算時間需視影像尺寸、處理裝置110與後處理裝置120的速度而定)。
如此一來,利用類神經網路演算法,本揭示內容的後處理系統100可根據第一電阻抗斷層攝影術影像(其係經由解算方法產生),迅速地產生影像準確度高的第二電阻抗斷層攝影術影像(例如功能性電阻抗斷層攝影術影像(Functional EIT image))。此外,本揭示內容的後處理系統亦可根據量測數據與第一電阻抗斷層攝影術影像(其係經由解算方法產生),迅速地產生影像與導電度準確度高的第三電阻抗斷層攝影術影像(例如絕對電阻抗斷層攝影術影像(Absolute EIT image))。
須補充的是,上述後處理裝置120產生的第二電阻抗斷層攝影術影像或第三電阻抗斷層攝影術影像可以是以相對導電度值或絕對導電度值所形成的電阻抗斷層攝影術影像。換言之,本揭示內容的後處理系統可決定電阻抗斷層攝影術影像的相對導電度值或絕對導電度值以因應不同需求。
由於實際量測過程當中可能存在雜訊,於一實施例中,後處理裝置120更用以根據雜訊數據決定上述加權參數240、350。因此,後處理系統100可進一步改善電阻抗斷層攝影術影像的準確度。
為了說明相較於先前技術,本揭示內容的後處理系統100產生電阻抗斷層攝影術影像具有較高的準確度,以|△RES|誤差表示目標物體體積與電阻抗斷層攝影術影像內物體體積的差異。先前技術中,僅透過線性解算方法產生的電阻抗斷層攝影術影像具有35.95%的|△RES|誤差,僅透過非線性解算方法產生的電阻抗斷層攝影術影像具有26.20%的|△RES|誤差。另一方面,後處理系統100透過類神經網路演算法產生的電阻抗斷層攝影術影像(亦即第三電阻抗斷層攝影術影像)具有12.54%的|△RES|誤差,而後處理系統100透過解算方法與類神經網路演算法產生的電阻抗斷層攝影術影像(亦即第二電阻抗斷層攝影術影像)具有13.29%的|△RES|誤差,其中類神經網路未經過雜訊數據訓練。
如上述,本揭示內容的類神經網路訓練可經過雜訊數據訓練以進一步提升準確度。後處理系統100透過類神經網路演算法產生的電阻抗斷層攝影術影像(亦即第三電阻抗斷層攝影術影像)具有13.02%的|△RES|誤差,而後處理系統100透過解算方法與類神經網路演算法產生的電阻抗斷層攝影術影像(亦即第二電阻抗斷層攝影術影像)具有13.16%的|△RES|誤差,其中類神經網路有經過雜訊數據訓練。
為了說明本揭示內容的後處理系統100產生的電阻抗斷層攝影術影像,請參考第4~9圖。
第4圖為僅透過線性解算方法產生的電阻抗斷
層攝影術影像。如第4圖所示,電阻抗斷層攝影術影像明顯與目標物體410、420差異甚大,並且存在許多錯誤影像,準確度不高。
第5圖為僅透過非線性解算方法產生的電阻抗斷層攝影術影像。如第5圖所示,電阻抗斷層攝影術影像大致顯示目標物體420,但目標物體410則不甚準確,並且目標物體410、420以外的區域也顯示出錯誤的影像。
第6圖為僅透過類神經網路演算法產生的電阻抗斷層攝影術影像(亦即上述第三電阻抗斷層攝影術影像),其中類神經網路200、300未經過雜訊數據訓練。如第6圖所示,電阻抗斷層攝影術影像大致顯示目標物體420與目標物體410,並且目標物體410、420以外的區域大致上未顯示錯誤影像。
第7圖為透過解算方法與類神經網路演算法產生的電阻抗斷層攝影術影像(亦即上述第二電阻抗斷層攝影術影像),其中類神經網路200、300未經過雜訊數據訓練。如第7圖所示,電阻抗斷層攝影術影像大致顯示目標物體420與目標物體410,並且目標物體410、420以外的區域未顯示錯誤影像。
第8圖為僅透過類神經網路演算法產生的電阻抗斷層攝影術影像(亦即上述第三電阻抗斷層攝影術影像),其中類神經網路200、300有經過雜訊數據訓練。如第8圖所示,電阻抗斷層攝影術影像大致顯示目標物體420與目標物體410,並且目標物體410、420以外的區域未顯
示錯誤影像。
第9圖為透過解算方法與類神經網路演算法產生的電阻抗斷層攝影術影像(亦即上述第二電阻抗斷層攝影術影像),其中類神經網路200、300有經過雜訊數據訓練。如第9圖所示,電阻抗斷層攝影術影像大致顯示目標物體420與目標物體410,並且目標物體410、420以外的區域未顯示錯誤影像。
因此,相較於僅透過解算方法產生的電阻抗斷層攝影術影像(如第4、5圖所示),透過類神經網路演算法產生的電阻抗斷層攝影術影像(如第6~9圖所示)具有較高的準確度。此外,本揭示內容的後處理系統100亦可將類神經網路演算法結合解算方法,或者利用雜訊數據訓練類神經網路以進一步提升準確度。
第10圖係說明本揭示內容一實施例之電阻抗斷層攝影術影像之後處理方法1000流程圖。後處理方法1000具有多個步驟S1002~S1006,其可應用於如第1圖所述的後處理系統100。然熟習本案之技藝者應瞭解到,在上述實施例中所提及的步驟,除特別敘明其順序者外,均可依實際需要調整其前後順序,甚至可同時或部分同時執行。具體實作方式如前揭示,此處不再重複敘述之。
於步驟S1002,透過電阻抗斷層攝影儀器,測量物體以產生量測數據。
於步驟S1004,透過處理裝置,根據量測數據並透過解算方法產生第一電阻抗斷層攝影術影像。
於步驟S1006,透過後處理裝置,利用類神經網路演算法對第一電阻抗斷層攝影術影像進行後處理以產生第二電阻抗斷層攝影術影像。
第11圖係說明本揭示內容一實施例之電阻抗斷層攝影術影像之後處理方法1100流程圖。後處理方法1100具有多個步驟S1102~S1106,其可應用於如第1圖所述的後處理系統100。然熟習本案之技藝者應瞭解到,在上述實施例中所提及的步驟,除特別敘明其順序者外,均可依實際需要調整其前後順序,甚至可同時或部分同時執行。具體實作方式如前揭示,此處不再重複敘述之。
於步驟S1102,透過電阻抗斷層攝影儀器,測量物體以產生量測數據。
於步驟S1104,透過處理裝置,根據量測數據並透過解算方法產生第一電阻抗斷層攝影術影像。
於步驟S1106,透過後處理裝置,利用類神經網路演算法並根據量測數據對第一電阻抗斷層攝影術影像進行後處理以產生第三電阻抗斷層攝影術影像。
為了舉例說明電阻抗斷層攝影儀器,請參考第12、13圖。第12圖係以內向觀察式(Inward-looking)作為舉例。如第12圖所示,電阻抗斷層攝影儀器包含複數個電極1232、承載面1234、電極控制器1210與資料擷取裝置1220。承載面1234為立體曲面,並且包覆欲進行偵測之待測物體1240。因此,電極1232貼覆於待測物體1240之外表。
電極控制器1210分別電性連接至電極1232以
分別驅動電極1232。資料擷取裝置1220用以收集及分析電極1232的偵測訊號。待測物體1240內存在變異區塊1242,而變異區塊1242即為電阻抗斷層攝影儀器偵測分析之目標。
為說明不同量測方式,請參考第13圖。第13圖係以外向觀察式(Outward-looking)的電阻抗斷層攝影儀器作為舉例。如第13圖所示,電阻抗斷層攝影儀器包含複數個電極1332、承載面1334、電極控制器1210與資料擷取裝置1220。承載面1334為圓柱狀並且其表面裝設由電極1332所構成之電極陣列1336,其中與第12圖相同的部分不再重複敘述。
本揭示內容得以透過上述實施例,透過類神經網路演算法對解算方法產生的電阻抗斷層攝影術影像進行後處理以產生準確度較高的電阻抗斷層攝影術影像。此外,本揭示內容亦可透過類神經網路直接由量測數據產生準確度高的電阻抗斷層攝影術影像。
雖然本揭示內容已以實施方式揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本揭示內容之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視申請專利範圍所界定者為準。
100‧‧‧電阻抗斷層攝影術影像之後處理系統
110‧‧‧處理裝置
120‧‧‧後處理裝置
Claims (14)
- 一種電阻抗斷層攝影術影像之後處理系統,包含:一處理裝置,用以根據一量測數據並透過一解算方法產生一第一電阻抗斷層攝影術影像,其中該量測數據是利用電阻抗斷層攝影儀器測量;以及一後處理裝置,耦接該處理裝置並用以接收該第一電阻抗斷層攝影術影像,以及透過一類神經網路演算法對該第一電阻抗斷層攝影術影像進行後處理以產生一第二電阻抗斷層攝影術影像。
- 如請求項1所述之後處理系統,其中該後處理裝置更用以透過該類神經網路演算法並根據該量測數據對該第一電阻抗斷層攝影術影像進行後處理以產生一第三電阻抗斷層攝影術影像。
- 如請求項1所述之後處理系統,其中該類神經網路演算法包含至少一輸入層、至少一輸出層與至少一隱藏層,該後處理裝置更用以輸入至少一訓練影像至該至少一輸入層,並輸入對應該至少一訓練影像之至少一實際影像至該至少一輸出層以決定該至少一隱藏層與該至少一輸入層之間、該至少一隱藏層與該至少一輸出層之間的複數個加權參數。
- 如請求項3所述之後處理系統,其中該處理裝置更用以根據至少一訓練數據並透過該解算方法產生該至少一訓練影像,以及將該至少一訓練影像傳送至該後處理裝置,其中該至少一訓練數據是利用電阻抗斷層攝影儀器測量。
- 如請求項3所述之後處理系統,其中該後處理裝置更用以根據一雜訊數據決定該些加權參數。
- 如請求項1所述之後處理系統,其中該解算方法為一線性演算法。
- 如請求項1所述之後處理系統,其中該解算方法為一非線性迭代法。
- 一種電阻抗斷層攝影術影像之後處理方法,包含:透過一處理裝置,根據一量測數據並透過一解算方法產生一第一電阻抗斷層攝影術影像,其中該量測數據是利用電阻抗斷層攝影儀器測量;以及透過一後處理裝置,利用一類神經網路演算法對該第一電阻抗斷層攝影術影像進行後處理以產生一第二電阻抗斷層攝影術影像。
- 如請求項8所述之後處理方法,更包含: 透過該後處理裝置,利用該類神經網路演算法並根據該量測數據對該第一電阻抗斷層攝影術影像進行後處理以產生一第三電阻抗斷層攝影術影像。
- 如請求項8所述之後處理方法,其中該類神經網路演算法包含至少一輸入層、至少一輸出層與至少一隱藏層,該後處理方法更包含:透過該後處理裝置,輸入至少一訓練影像至該至少一輸入層,並輸入對應該至少一訓練影像之至少一實際影像至該至少一輸出層以決定該至少一隱藏層與該至少一輸入層之間、該至少一隱藏層與該至少一輸出層之間的複數個加權參數。
- 如請求項10所述之後處理方法,更包含:透過該處理裝置,根據至少一訓練數據並透過該解算方法產生該至少一訓練影像,其中該至少一訓練數據是利用電阻抗斷層攝影儀器測量。
- 如請求項10所述之後處理方法,更包含:透過該後處理裝置,根據一雜訊數據決定該些加權參數。
- 如請求項8所述之後處理方法,其中該解算方法為一線性演算法。
- 如請求項8所述之後處理方法,其中該解算方法為一非線性迭代法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105122475A TWI654965B (zh) | 2016-07-15 | 2016-07-15 | 電阻抗斷層攝影術影像之後處理系統與後處理方法 |
US15/649,630 US10092212B2 (en) | 2016-07-15 | 2017-07-13 | Post processing system and post processing method for electrical impedance tomography images |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105122475A TWI654965B (zh) | 2016-07-15 | 2016-07-15 | 電阻抗斷層攝影術影像之後處理系統與後處理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201801674A true TW201801674A (zh) | 2018-01-16 |
TWI654965B TWI654965B (zh) | 2019-04-01 |
Family
ID=60941832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105122475A TWI654965B (zh) | 2016-07-15 | 2016-07-15 | 電阻抗斷層攝影術影像之後處理系統與後處理方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10092212B2 (zh) |
TW (1) | TWI654965B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11185270B1 (en) * | 2017-02-03 | 2021-11-30 | Yongwu Yang | Wearable device and method for monitoring muscle tension and other physiological data |
KR20180136202A (ko) * | 2017-06-14 | 2018-12-24 | 에스케이하이닉스 주식회사 | 컨볼루션 신경망 및 컨볼루션 신경망을 가진 신경망 시스템 |
WO2021223038A1 (en) * | 2020-05-08 | 2021-11-11 | Toma Jonathan Emanuel | Method and system for electrical impedance tomography |
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 |
CN113902826B (zh) * | 2021-10-21 | 2024-04-19 | 天津科技大学 | FCU-Net深度肺部电阻抗图像重建方法 |
CN114544708B (zh) * | 2022-01-17 | 2023-07-18 | 华南理工大学 | 基于fpga的深度学习电阻抗成像系统及成像评价方法 |
GB2621542A (en) * | 2022-06-23 | 2024-02-21 | Wang Wei | Electrical impedance mammography |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6522910B1 (en) * | 1997-09-11 | 2003-02-18 | Wisys Technology Foundation | Electrical property enhanced tomography (EPET) apparatus and method |
US6725087B1 (en) | 2000-09-19 | 2004-04-20 | Telectroscan, Inc. | Method and apparatus for remote imaging of biological tissue by electrical impedance tomography through a communications network |
US7490085B2 (en) * | 2002-12-18 | 2009-02-10 | Ge Medical Systems Global Technology Company, Llc | Computer-assisted data processing system and method incorporating automated learning |
US10154819B2 (en) * | 2006-04-20 | 2018-12-18 | Jack S. Emery | Systems and methods for impedance analysis of conductive medium |
US8508238B2 (en) * | 2010-08-12 | 2013-08-13 | General Electric Company | System and method for performing electrical impedance tomography |
-
2016
- 2016-07-15 TW TW105122475A patent/TWI654965B/zh active
-
2017
- 2017-07-13 US US15/649,630 patent/US10092212B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US10092212B2 (en) | 2018-10-09 |
US20180014748A1 (en) | 2018-01-18 |
TWI654965B (zh) | 2019-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201801674A (zh) | 電阻抗斷層攝影術影像之後處理系統與後處理方法 | |
Ren et al. | Inclusion boundary reconstruction and sensitivity analysis in electrical impedance tomography | |
Jha et al. | Objective task-based evaluation of artificial intelligence-based medical imaging methods: framework, strategies, and role of the physician | |
CN107837090A (zh) | 计算机断层成像中基于正弦图的散射射线校正 | |
CN102034266B (zh) | 激发荧光断层成像的快速稀疏重建方法和设备 | |
Chen et al. | Structure-aware dual-branch network for electrical impedance tomography in cell culture imaging | |
KR20160107528A (ko) | 컴퓨터 보조 진단을 위한 신뢰도 제공 장치 및 방법 | |
CN103188991B (zh) | 用于显示生物对象的温度场的方法 | |
CN101861125A (zh) | 定量临床和临床前成像 | |
JP2019505772A (ja) | ソフト断層撮影調査におけるデータの取得および処理のためのプロセスおよび測定システム | |
Yepes-Calderon et al. | Eliminating the need for manual segmentation to determine size and volume from MRI. A proof of concept on segmenting the lateral ventricles | |
Lee et al. | Modeling and simulation of pulmonary acoustic signal and imaging for lung function assessment | |
Zhang et al. | Image reconstruction of planar electrical capacitance tomography based on DBSCAN and self-adaptive ADMM algorithm | |
US20230146192A1 (en) | Post processing system and post processing method for reconstructed images and non-transitory computer readable medium | |
CN115830156B (zh) | 精准电阻抗层析成像方法、装置、系统、介质及设备 | |
JP2022068043A (ja) | 医用画像処理装置及び医用画像処理システム | |
Cao et al. | 2D image reconstruction of a human chest by using Calderon's method and the adjacent current pattern | |
Zhang et al. | Survey of EIT image reconstruction algorithms | |
Kowalska et al. | Towards high precision electrical capacitance tomography multilayer sensor structure using 3d modelling and 3d printing method | |
EP3910597A1 (en) | Body representations | |
CN110470743B (zh) | 电学/超声信息融合的双模态层析成像方法 | |
CN109613593B (zh) | 伽马光子作用位置抽样方法、装置、电子设备及存储介质 | |
Jeon et al. | Image reconstruction in EIT with unreliable electrode data using random sample consensus method | |
KR20210068189A (ko) | 의료 영상을 이용한 병변 여부 판단 방법 | |
Zhang et al. | Planar array of electrical capacitance tomography with rotation |