电极稀疏化颅脑电阻抗动态成像算法研究

发布时间：2020-04-09 00:13

【摘要】：急性颅脑损伤是以颅内出血或者缺血损伤为主要临床表现的一类脑部疾病,具有发病急、病程变化复杂迅速、病情凶险等特点。在临床上,创伤和脑卒中均会造成急性颅脑损伤。实时动态监测并早期发现颅脑损伤变化是临床中实施及时、准确救治的重要前提,也是挽救颅脑损伤患者生命并改善其预后生存质量的关键。而现有CT、MRI等医学影像技术时间分辨率低,无法对颅脑损伤进行动态成像监测。因此,急需一种时间分辨率较高的动态成像监测技术。电阻抗成像技术(Electrical Impedance Tomography,EIT)利用人体组织在不同生理、病理状态下具有不同的电阻抗的原理,以成像的方式表达出与人体组织生理、病理相关的电阻抗及其变化的分布,具有便携,快速,功能成像等优点,有望成为颅脑损伤检测与动态成像监测新的有效手段。目前主要EIT研究采用的电极系统多为16电极以上,然而在诸如颅脑损伤患者的院前急救、颅脑战创伤救治等特殊应用场合,电极粘贴将会耗费大量时间,需要减少电极数量以达到提高系统操作效率、实现设备可穿戴化的目的。然而,减少电极数目后,成像算法的目标识别能力面临较大挑战,如何在电极稀疏化的同时尽可能确保动态图像对颅脑损伤变化的表征能力,是EIT系统实现电极稀疏化面临的关键问题。EIT系统电极稀疏化后对成像的主要挑战集中在两个方面:一是EIT系统可能会因电极稀疏化而造成其对内部扰动目标的分辨能力下降;二是电极稀疏化对图像重建质量造成的影响,主要表现为重构图像伪影较多,从而影响扰动目标识别。针对上述电极稀疏化EIT研究中存在的问题,本文基于对电极稀疏化过程中EIT系统分辨能力变化的量化分析,提出电极稀疏化的颅脑电阻抗动态成像算法,主要工作内容及结果包括:1.电极稀疏化过程中EIT系统对待测物体内部扰动目标分辨能力变化的量化分析:建立了三维真实颅脑仿真模型用于定量研究电极稀疏化过程中EIT系统对颅内电阻抗扰动目标的分辨能力变化。研究结果表明,电极稀疏化过程中,EIT系统分辨能力在电极数目少于8电极时迅速下降,仅能保留至多原16电极系统20%的分辨能力,电极数目不少于8电极时,分辨能力至少能保留50%以上;2.稀疏电极颅脑电阻抗动态成像算法的研究:主要基于训练目标方法求解最优重构矩阵和子域加权方法对成像算法进行优化。在重构矩阵求解中,使用训练目标法计算最优重构矩阵,在预成像后判断阻抗变化最有可能发生的区域,并在此区域使用子域加权方法,突出目标,减少伪影,增强EIT重构图像的质量,最终形成电极稀疏化的基于预成像的子域加权优化算法的基本框架;3.电极稀疏化的基于预成像的子域加权优化算法有效性的实验验证:构建颅脑EIT算法性能测试平台,包括基于真实人脑阻抗分布稀疏电极的三维仿真模型和物理模型,EIT成像软件以及重构图像质量评价指标,对电极稀疏化的基于预成像的子域加权优化算法进行综合比较与评价。结果表明,针对电极稀疏化进行颅脑电阻抗动态成像算法优化后,相比于直接套用原有的16电极动态成像算法,重构图像误差减少了约41.3%,重构图像质量得到较大的改善。本文针对颅脑动态EIT成像中电极稀疏化面临的挑战,开展了研究,初步实现了以下创新:1.定量计算EIT系统对待测物体内部扰动目标的分辨能力,并深入分析了电极稀疏化过程中EIT系统分辨能力的变化;2.提出并实现了一种稀疏电极颅脑电阻抗动态成像优化算法,经过物理模型实验验证,改善了电极稀疏化后重构图像的质量。本文针对稀疏电极颅脑动态电阻抗成像开展的探索,将为推动电阻抗成像在颅脑损伤患者院前急救、颅脑战创伤救治等特殊领域应用,以及电阻抗成像设备的可穿戴化研究,提供重要的理论与实验基础。
【图文】：

织所具有的电阻抗特性是电阻抗断层成像的生物学基础，表阻碍作用。人体组织的电阻抗特性与细胞膜对小分子和离子 K+与细胞外 Na+的分布有密切的关系[40]。同时，不同组织具一组织在不同的生理和病理状态下的离子分布不同，所以即生理及病理状态下，也会具有不同的电阻抗[6, 7]。安全的电流激励施加于人体上并产生电位变化，通过在体表相应的重建算法来对人体内部阻抗分布或变化进行图像重建典型的 16 电极 EIT 系统的激励测量模型。数字 1～16 分别代 16 个电极，首先通过电极对 1-2 注入电流激励，再从电极对5-16 处测得电压；然后更换激励电极对，在 2-3 处注入激励取对应的电压数据。激励电极对切换一圈后，所有测量的电应的重构算法对数据进行计算，可以得到待测人体部位内部

图 1-1 分辨能力计算原理示意图如图 1-1 所示，背景电阻抗阻抗均为0 的两个待测目所示两幅图像0H 和1H ，同时在 内部有一阻抗为1 的目标，那么在每一次电流激励下 和 上所得的电压测量矩阵应有一定差别： k k k k k k k kd d d M T T c T c 1 2 1 2σ σ σ σ (1,1)为了辨别 和 之间的差别，我们设零假设为 ，那么拒绝零假设 的概率由Z 值给出:mmz (1,2)m 是上述待测物体的 EIT 重构图像中的感兴趣区（Region of Interest, ROI）重构值的平均值，那么0 m m m表示了 和 中 ROI 的重构值平均值的不同，m 是
【学位授予单位】：中国人民解放军空军军医大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R651.15;TP391.41

【相似文献】

相关期刊论文 前10条

1 温菊屏;林冬梅;;图稀疏化:加速图聚类的有效方法[J];计算机工程与设计;2013年11期

2 汪涛，，邢小良;感知器的动态稀疏化学习[J];自动化学报;1995年01期

3 赵英海;蔡俊杰;吴秀清;孙福明;;基于稀疏化图结构的转导多标注视频概念检测算法[J];模式识别与人工智能;2011年06期

4 汪琪;李传荣;马灵玲;唐伶俐;李剑剑;;基于训练字典的压缩感知光谱稀疏化方法[J];遥感技术与应用;2013年06期

5 杨亚威;李俊山;杨威;赵方舟;;利用稀疏化生物视觉特征的多类多视角目标检测方法[J];红外与激光工程;2012年01期

6 何坤;赵利强;王建林;于涛;;基于样本稀疏化高斯过程的发酵过程软测量建模方法[J];北京化工大学学报(自然科学版);2014年03期

7 林波;张增辉;朱炬波;;基于压缩感知的DOA估计稀疏化模型与性能分析[J];电子与信息学报;2014年03期

8 李庆雷;远芳;杨贵;廖捷;胡开喜;姚爽;周自江;;L波段探空秒级资料稀疏化方案及检验方法[J];气象科技进展;2018年01期

9 陈正;张小轩;李慧敏;张世荣;;基于PSO的最小二乘支持向量机稀疏化算法[J];武汉大学学报(工学版);2016年06期

10 李融;;基于并行计算的高效图稀疏化处理算法[J];四川理工学院学报(自然科学版);2015年02期

相关会议论文 前5条

1 曾理;王红明;张政治;邓仕海;;基于信号稀疏化的北斗监测站干扰检测技术研究[A];卫星导航定位与北斗系统应用2016——星参北斗 位联世界[C];2016年

2 赵虹;刘寅;;一种地面观测资料的稀疏化方案在GRAPES-3DVAR中的应用[A];第35届中国气象学会年会 S24 青年论坛[C];2018年

3 秦家辉;徐向南;董继扬;;基于变量互补性的多平台数据稀疏化方法[A];2018第二十届全国波谱学学术年会会议论文摘要集[C];2018年

4 黄雯;郭建中;;基于压缩感知的脑电信号预处理[A];2012'中国西部声学学术交流会论文集(Ⅱ)[C];2012年

5 牛臻弋;徐金平;;PO-MoM方程迭代求解中的稀疏化递归Cholesky分解预条件技术[A];2005'全国微波毫米波会议论文集（第二册）[C];2006年

相关博士学位论文 前4条

1 张春元;连续空间强化学习研究[D];电子科技大学;2016年

2 贺向南;随机复杂网络的同步性分析、应用及数据处理的若干问题[D];复旦大学;2013年

3 徐刚;高分辨雷达成像稀疏信号处理技术研究[D];西安电子科技大学;2015年

4 张峰;基于网络化数据分析的社会计算关键问题研究[D];北京邮电大学;2014年

相关硕士学位论文 前10条

1 陈荣庆;电极稀疏化颅脑电阻抗动态成像算法研究[D];中国人民解放军空军军医大学;2018年

2 王文静;有限分解复杂度下的度量稀疏化[D];东华大学;2013年

3 田叶;稀硫化PLS回归方法在光谱学中的应用与实现[D];扬州大学;2018年

4 党路娟;非线性核滤波算法的精度及稀疏化研究[D];西南大学;2018年

5 徐向南;代谢组学数据分析中的稀疏化新方法[D];厦门大学;2017年

6 邵哲;X波段大型相控阵稀疏化研究[D];电子科技大学;2012年

7 黄璜;有向图的随机采样谱稀疏化方法[D];复旦大学;2014年

8 付强;稀疏化模型及其在文本分类中的应用[D];南京大学;2014年

9 郭欢;GPS掩星资料垂直稀疏化方案及其同化研究[D];南京信息工程大学;2017年

10 孟桐;基于稀疏化支持向量机的啤酒酿造过程故障诊断的研究[D];哈尔滨理工大学;2017年

本文编号：2620017