首页 / 专利库 / 诊断设备和程序 / 医学影像学 / 层析成像 / 电阻抗成像 / 一种生物电阻抗成像方法

一种生物电阻抗成像方法

阅读:975发布:2020-05-22

专利汇可以提供一种生物电阻抗成像方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于粒子群和正则化高斯- 牛 顿 迭代 算法 的 生物 电阻 抗成像 方法。在生物 电阻抗成像 问题求解中,采用粒子群算法产生一个接近真实值的初值作为正则化高斯-牛顿迭代算法的初始值,然后利用正则化高斯-牛顿迭代算法求解逆问题。本发明的优点:1)正问题计算中采用非均匀剖分,提高了成像的 精度 。2)采用标准的粒子群法为正则化高斯-牛顿迭代算法产生一个初始值,这样就很好的克服了牛顿类算法对初始值敏感的缺点。同时,由于只需要产生一个接近真实值的近似值,对精度要求不高,故可以使用较少的粒子数和较少的迭代次数,这大大减少了计算量。3)采用正则化高斯-牛顿迭代算法进行图像重建,获得图像精度较高,图像 定位 准确。,下面是一种生物电阻抗成像方法专利的具体信息内容。

1.一种生物电阻抗成像方法,是基于由分布在被测场域表面的16个电极及外围电路组成的数据采集系统和采用MATLAB平台编制的图像重构仿真软件组成的系统架构,其特征包括以下步骤:
步骤1:对要求解的场域通过有限元法进行三形剖分,建立FEM模型;
步骤2:采用粒子群算法产生一个接近真实值的初值作为正则化高斯-迭代算法的初始值;
步骤3:利用正则化高斯-牛顿迭代算法求解逆问题,进行图像重构。
2.根据权利要求1所述的一种生物电阻抗成像方法,其特征在于步骤1中,采用有限元法进行正问题求解时,场域剖分采用非均匀剖分法:使用FEM工具箱对场域进行三角形剖分,将圆形场域分成6层同心圆,同心圆半径向量r=[13,12,10,8,6,3,0],每个圆上节点数量的向量N=[32,28,24,18,14,8,1],再对剖分所得的各三角单元采用连接各边中点的方法进行剖分。
3.根据权利要求1所述的一种生物电阻抗成像方法,其特征在于步骤2包括:
a.初始化:随机初始化种群的位置、速度、设定加速常数、惯性常数和迭代常数;
b.计算每个粒子的适应值;
c.比较每个粒子的适应值,获取当前个体最优解;
d.比较每个粒子的适应值与全局最优解,获取当前全局最优解;
e.种群更新:根据粒子群算法的进化方程更新粒子的速度方向和位置,产生新的种群;
f.检查终止条件:若满足,则结束;不满足则跳到步骤b继续寻找最优值。
4.根据权利要求3所述的一种生物电阻抗成像方法,其特征在于所述的粒子群算法的进化方程为:
(1)
(2)
其中: 为微粒i当前的飞行速度; 为微粒i当前位置; 为微粒i所经
历的最好位置; 为群体中所有微粒所经历的最好位置;取惯性权重 ;学习因子;、 为(0,1)上的随机数。
5.根据权利要求1所述的一种生物电阻抗成像方法,其特征在于所述的步骤3包括:
a.取粒子群算法得到的场域内电导率分布值作为正则化高斯-牛顿迭代算法的初始值,计算相应电极电位分布;
b.判断是否满足终止条件:若满足,则终止,进行图像重构;不满足,则继续迭代;
c.计算雅克比矩阵和迭代步长 ;
d. 根据 ,计算 对应的电位分布,转至步骤b。
6.根据权利要求1所述的一种生物电阻抗成像方法,其特征在于所述的正则化高斯-牛顿迭代算法是采用Tikhonov正则化方法对高斯-牛顿迭代算法进行修正,其迭代步长公式为:
(3)
其中: 为雅克比矩阵;V为边界电极上的测量电压值; 为关于电导率 的先验信息调制矩阵;正则化因子 ,采用迭代次数为5~10次。
7.根据权利要求6所述的一种生物电阻抗成像方法,其特征在于Tikhonov正则化高斯-牛顿迭代算法,其先验信息调制矩阵R的构造如下:假定有限元剖分单元数为N,则R为一个N*N的矩阵,其元素取值规则为:对每个单元进行编号后,如果两个单元拥有同一条三角边则对应元素值为-1,如果单元有一条边在边界上则其对应元素值为1,如果单元任一条边都不在边界上则其对应元素值为3。

说明书全文

一种生物电阻抗成像方法

技术领域

[0001] 本发明提出了一种生物电阻抗成像方法,尤其涉及一种基于粒子群和正则化高斯-迭代算法的生物电阻抗成像方法。

背景技术

[0002] 生物电阻抗成像技术是将电阻抗成像技术(Electrical Impedance Tomography,EIT)应用于生物医学工程,是继形态结构成像技术后出现的一种具有无损伤功能的成像技术。该技术可以通过图像信息来分析生物组织的功能活动,从而获得与产生生物组织病变密切相关的信息。在何为、罗辞勇、许征等著的《电阻抗成像原理》(科学出版社,2009年)中,EIT技术是通过布置在被测物体表面的电极将安全电流注入到物体内部,同时测量其余电极上的电压值,并将测得的电压信息经过一定的重建算法求得被测物体内部组织的电阻抗值分布,进而实现图像重建的过程。
[0003] 目前为止,电阻抗断层成像技术都是基于正问题的计算和逆问题的图像重构算法来进行的。所谓正问题就是已知场域电导率的分布及边界条件,求取场域内的电势分布,进而得到电极上电压的计算值。在EIT问题中,场域是一个具有特殊边界条件的电场,其数学模型为一个偏微分方程,通常采用有限元方法(Finite Element Method,简称FEM)来求解正问题,如:Tadakuni Murai、Yukio Kagawa所著,《Electrical Impedance Computed Tomography Based on a Finite Eliment Model》(IEEE Transactions on Biomedical Engineering.1985,32(3):177-184)。逆问题就是有边界测量电压值和正问题计算得到的电压计算值来求解场域内部电导率分布。常用的求解逆问题的方法有牛顿类算法,反投影类算法,微分进化算法等,如:徐桂芝、杨硕、李颖、颜威利等著,《电阻抗断层成像技术综述》(河北工业大学学报,2004年33(2):35-40)以及B.H.Brown 《Electrical impedance tomography(EIT):a review》(Journal of Medical Engineering & Technology.2003,27(3):97-108)。
[0004] 牛顿类算法中常用的有牛顿-拉夫逊算法和正则化高斯-牛顿迭代算法。基本思想是利用有限元模型,根据最小平方误差原则来求内部电阻抗分布和边界电压之间的映射关系。牛顿类算法是EIT图像重构算法中性能最好的一种图像重构算法,其误差小,收敛性好。但其对初始值要求较高,迭代运算量较大,且雅克比矩阵具有严重的病态性。在文献:戎立锋著,《电阻抗成像技术的研究与系统设计》(南京理工大学,2006年)和文献:周光磊著,《电阻抗成像技术图像重建算法研究》(天津大学,2010年)中均给出了正则化高斯-牛顿算法的原理和仿真结果。
[0005] 反投影类算法常用的是等位线反投影算法。这是一种基于等位线进行反投影的定性图像重建算法。其特点是许多测量数据中的噪声可以在相减时得到消除,所以它对数据采集系统的要求不高,实现容易,且计算量小。其缺点是如果在数据采集的两个时刻电阻抗分布没有变化,则它无法成像,另外,反投影算法难以推广到一般的三维情况,这限制了该方法的应用范围。在文献:朱清友著,《基于虚拟仪器的电阻抗成像算法研究》(重庆大学,2008年)和文献:徐桂芝著,《基于EIT技术的脑内电特性与功能成像研究》(河北工业大学,
2002年)中均给出了等位线反投影算法的原理和仿真结果。
[0006] 微分进化算法是一种启发式算法,它可以对非线性不可微连续空间函数进行最小化,可被归类为进化优化算法,其结构简单,收敛快速,易于应用,但其性能尚不能满足医学成像需求。
[0007] 现行的图像重构算法都各有其优缺点,最好的办法是如何采用混合算法,发挥现有算法的优点的同时又能克服其存在的不足。

发明内容

[0008] 本发明的目的在于克服现有技术的不足,提供一种生物电阻抗成像方法,尤其是提供一种基于粒子群和正则化高斯-牛顿迭代算法的生物电阻抗成像方法。
[0009] 本发明只是在激励电流的作用下,从活的人体或动物体的局部获取电阻抗参数作为中间结果信息的方法,以及处理电阻抗参数重构成像的方法,其直接目的不是获得疾病诊断结果和健康状况。本发明的方法结合现有技术中的医学知识不能够直接得出疾病的诊断结果或健康状况,因此采用本发明的方法只能获取中间结果信息。
[0010] 本发明的方法是基于由分布在被测场域表面的16个电极及外围电路组成的数据采集系统和采用MATLAB平台编制的图像重建仿真软件组成的系统架构。将数据采集系统采集到的边界电极上的电压值导入图像重构仿真软件中进行运算并重构出图像。
[0011] 在生物电阻抗成像算法进行图像重构过程中,其正问题的计算采用有限元法(FEM),对场域的剖分采用非均匀剖分法在边界处进行加密剖分。逆问题的图像重建算法采用粒子群法获得一个接近真实值的阻抗分布值作为正则化高斯-牛顿迭代法的初始值,再运用正则化高斯-牛顿迭代法进行计算并重建出图像。
[0012] 本发明的方法包括:1、对要求解的场域通过有限元法进行三形剖分,建立FEM模型。
[0013] 2、采用粒子群算法产生一个接近真实值的初值作为正则化高斯-牛顿迭代算法的初始值。
[0014] 3、利用正则化高斯-牛顿迭代算法求解逆问题,进行图像重构。
[0015] 本发明的优点:1、正问题计算中采用非均匀剖分,提高了成像的精度
[0016] 2、采用标准的粒子群法为正则化高斯-牛顿迭代算法产生一个初始值,这样就很好的克服了牛顿类算法对初始值敏感的缺点。同时,由于只需要产生一个接近真实值的近似值,对精度要求不高,故可以使用较少的粒子数和较少的迭代次数,这大大减少了计算量。
[0017] 3、采用正则化高斯-牛顿迭代算法进行图像重建,获得图像精度较高,图像定位准确。附图说明
[0018] 图1 是本发明的架构示意图。
[0019] 图2是本发明的流程图
[0020] 图3是本发明实例的流程图。
[0021] 图4是本发明的仿真结果。其中:左图为真实阻抗分布,白色圆形区域为电阻抗均匀分布的被测场域,在被测场域有一个电阻抗不同的区域,即黑色部分;右图为通过本发明算法重构出的图像,准确的定位到黑色部分在场域中的位置,并能大致判断黑色区域的大小及其电阻抗的值。
[0022] 图5是本发明的圆形场域剖分示意图。

具体实施方式

[0023] 本发明涉及的术语解释:电阻抗成像(Electrical Impedance Tomography,EIT)是通过对被测物体施加一定的安全激励电流,并在其表面测得电压信号来重构其电阻抗分布或者变化的一种电磁成像技术。
[0024] 有限元法(Finite Element Method,FEM)是一种基于变分原理,通过泛函求极值求解非线性方程的方法。具体做法是先找出与边值问题相应的泛函及其变分问题;对场域进行合理剖分,对单元中的任一点的未知函数用该剖分单元中的形状函数及离散点上的函数值展开;求出泛函的极值,导出联立代数方程组,称为有限元方程组;再用直接法或者迭代法解有限元方程组。
[0025] 粒子群算法(Particle Swarm Optimization,PSO)是一种基于迭代的优化工具,采用“群体”和“进化”的概念,依据粒子的适应值大小进行操作的算法。该算法随机初始化一群粒子,然后通过迭代找到最优解。在每次迭代中,粒子通过两个极值来更新自己,第一个极值是粒子本身到当前时刻为止找到的最优解,称为个体最优解;另一个极值是整个种群到当前时刻为止找到的最优解,称为全局最优解。
[0026] 正则化高斯-牛顿迭代算法是采用Tikhonov正则化方法对高斯-牛顿迭代法进行修正的算法。Tikhonov正则化技术引入了先验信息,可以改善解的特征值,有效解决雅克比矩阵的病态性,使求解过程稳定收敛。
[0027] 雅克比矩阵的含义是每个单元电导率的变化对边界电极电位的影响,定义式如下:其中:L为边界电极数,本发明采用16电极系统;
M为场域剖分的单元数,本发明将场域剖分为864个单元;
Fi为边界电极电压的计算值,i的取值范围1~16;
ρi为第i个单元的电导率值,i的取值范围1~864;
MATLAB是美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,主要包括MATLAB和Simulink两大部分。
[0028] 下面结合附图与具体实施方式对本发明作进一步详细描述。
[0029] 如图1本发明的架构示意图所示,由分布在被测场域表面的16个电极及外围电路组成的数据采集系统和采用MATLAB平台编制的图像重建仿真软件组成的系统架构。16个电极均匀分布在圆形场域边界,如图5所示。安全电流采用相邻注入法:先从1、2号电极注入,分别测量3、4号电极,4、5号电极,以此类推直到15、16号电极的电压值;再从2、3号电极注入安全电流,测量4、5号电极,5、6号电极,直到16、1号电极的电压…以此类推,直到从16、1号电极注入安全电流,并测量一组电压数据。将电路组成的数据采集系统采集到的边界电极上的电压值导入图像重构仿真软件中进行运算并重构出图像。
[0030] 如图2本发明的流程图所示,首先,采用有限元法对场域进行非均匀剖分,并对各节点和单元进行编号;然后,逆问题计算中先采用粒子群算法获得一个接近真实电阻抗分布值的近似值作为正则化高斯-牛顿迭代算法的初始值;再通过正则化高斯-牛顿迭代算法计算并重构出阻抗分布图像。
[0031] 如图3本发明实例的流程图所示,其为基于粒子群和正则化高斯-牛顿迭代算法的生物电阻抗成像方法:1、对要求解的场域通过有限元法进行三角形剖分,建立FEM模型。具体做法如下:
(1) 对场域进行非均匀三角形剖分:使用FEM工具箱函数makemeshdata.m对场域进行三角形剖分。将圆形场域分成6层同心圆,同心圆半径向量r=[13,12,10,8,6,3,0],每个圆上节点数量的向量N=[32,28,24,18,14,8,1], 再对剖分所得的各三角单元采用连接各边中点的方法进行剖分,并对各节点和单元进行编号。如图5圆形场域剖分示意图所示,将圆形场域按半径向量r剖分成6层同心圆,每层同心圆按照对应的节点向量N均匀分成对应的节点数,如:第一层同心圆半径为3,节点数为8,第二层同心圆的半径为6,节点数为
14,以此类推。连接节点形成三角形网格,再对每个三角形采用连接各边中点的方法进行剖分。对三角形单元从第一层往外按逆时针顺序编号,各单元中节点也按逆时针顺序编号。
[0032] (2)找出与边界问题相应的泛函及其变分问题:其中: 为电阻率, 为节点电位。
[0033] (3)求泛函极值并导出有限元方程:;
其中: 为激励电流,本发明中采用10~100kHz的安全电流。 为与各节点坐标有关的系数矩阵,对步骤1中的单个三角形单元进行求解得到单元电导率系数矩阵 ,逐个三角形单元按照总体下标相同的予以相加的原则得到总的系数矩阵 。
[0034] 2、采用粒子群算法获得正则化高斯-牛顿迭代算法的初始值:a.初始化:随机初始化种群的位置、速度、设定加速常数、惯性常数和迭代常数;
b.计算每个粒子的适应值;
c.比较每个粒子的适应值,获取当前个体最优解;
d.比较每个粒子的适应值与全局最优解,获取当前全局最优解;
e.种群更新:根据粒子群算法的进化方程更新粒子的速度方向和位置,产生新的种群;
f.检查终止条件:若满足,则结束;不满足则跳到步骤b继续寻找最优值。
[0035] 具体可以:采用标准粒子群算法,取惯性权重 ,学习因子 , 、为(0,1)上的随机数,设置算法迭代次数为200次。首先,随机初始化种群,设置种群规模为30,每个粒子的维度等于FEM剖分的单元数,微粒取值范围为[200,400];然后,选取适应度函数为 ,进行计算获得最优值并更新种群,直至满足终止条件。这样就获得一个阻抗分布值作为正则化高斯-牛顿迭代算法的初始值。
[0036] 粒子群算法的进化方程为:(1)
(2)
其中: 为微粒i当前的飞行速度; 为微粒i当前位置; 为微粒i所经
历的最好位置; 为群体中所有微粒所经历的最好位置;取惯性权重 ;学习因子;、 为(0,1)上的随机数。
[0037] 3、利用正则化高斯-牛顿迭代算法进行图像重构:a.取粒子群算法得到的场域内电导率分布值作为正则化高斯-牛顿迭代算法的初始值,计算相应电极电位分布;
b.判断是否满足终止条件:若满足,则终止,进行图像重构;不满足,则继续迭代;
c.计算雅克比矩阵,和迭代步长 ;
d.根据 ,计算 对应的电位分布,转至步骤b。
[0038] 具体做法如下:采用Tikhonov正则化方法对高斯-牛顿迭代算法进行修正。将粒子群算法获得的阻抗分布作为正则化高斯-牛顿迭代算法的初始值,构造先验信息调制矩阵R,取正则化因子,迭代次数为5~10次,根据下式进行计算:
其中: 为雅克比矩阵;V为边界电极上的测量电压值; 为关于电导率 的先验信息调制矩阵;正则化因子 ,采用迭代次数为5~10次。
[0039] 直到满足终止条件,迭代完成,获得场域电阻抗分布并重构出图像。
[0040] 先验信息调制矩阵R的构造如下:假定有限元剖分单元数为N,则R为一个N*N的矩阵,其元素取值规则为:对每个单元进行编号后,如果两个单元拥有同一条三角边则对应元素值为-1,如果单元有一条边在边界上则其对应元素值为1,如果单元任一条边都不在边界上则其对应元素值为3。
[0041] 本发明采用粒子群算法和正则化高斯-牛顿迭代算法的混合算法,利用了粒子群算法对初始值不敏感的特性,为正则化高斯-牛顿迭代算法提供一个接近真实值的初始值,再利用正则化高斯-牛顿迭代算法图像重构性能好的优点可以得到较好的成像效果。下面通过模拟仿真,进一步说明本发明的优点及有益效果:
1、正问题计算中采用非均匀剖分。由于边界附近受电极接触电阻等因素干扰,成像精度较差,对边界附近进行加密剖分可以提高边界附近成像的准确度。同时又避免对整个场域进行密集剖分造成后续粒子群算法中各粒子维度大幅度增加以及正则化高斯-牛顿迭代算法中系数矩阵元素大幅增加而产生的巨大的计算量。
[0042] 2、采用标准的粒子群法为正则化高斯-牛顿迭代算法产生一个初始值,这样就很好的克服了牛顿类算法对初始值敏感的缺点。同时,由于只需要产生一个接近真实值的近似值,对精度要求不高,故可以使用较少的粒子数和较少的迭代次数,这大大减少了计算量。
[0043] 3、采用正则化高斯-牛顿迭代算法进行图像重建,如图4所示,获得的图像精度较高,图像定位准确。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈