一种颅脑动态电阻抗成像连续监护中断后监护图像信息继承
的处理方法
技术领域
背景技术
[0002] 颅脑动态电阻抗
断层成像技术通过均匀分布在头部的周围
电极，实时连续地向颅脑施加安全
电流激励并测量边界
电压，利用两个不同时刻的数据，以其中较早时刻的数据为参考
帧，另外一个时刻的数据为前景帧，将两帧数据差分后，结合一定的成像方法，重建出颅脑内部在这两个不同时刻的阻抗变化。因此，连续稳定的采集数据是系统进行正常动态阻抗成像的首要条件。
[0003] 在临床实际使用过程中，经常会出现不得不暂时中断监护的情况。比如病人需要进行CT等影像学检查，需要拆除环贴在头部的电极，在检查完毕后继续进行监护的话需要重贴电极。重贴电极后，与最初开始监护的状态相比，电极的
位置和
接触状态很有可能会发生改变，这种改变会直接影响采集数据。重新开始监护时，如果仍然使用最初开始监护时的参考帧，则由于电极-头皮接触状态和电极位置的改变可能会在重建图像上产生伪影，湮没正常的阻抗变化信息。如果选择重新开始监护时的数据作为参考帧，虽然可以消除电极-头皮接触状态和电极位置改变造成的影响，但重新开始监护前的图像信息无法直接反映在新的监护图像上，造成之前的阻抗变化信息丢失。连续监护的中断严重影响对病情的观察和诊断，不利于动态颅脑电阻抗成像的临床推广和应用。
[0004] 因此，为了消除电极位置和接触状态改变对图像的影响，并保留前期的图像监护信息，亟需一种能够对连续监护中断后的数据进行处理的方法。
发明内容
[0005] 本发明的目的在于提供一种颅脑动态电阻抗成像连续监护中断后监护图像信息继承的处理方法，该方法能够有效抑制电极位置和电极-头皮接触状态变化造成的重建图像伪影，并保留有效的图像监护信息，提高动态电阻抗成像的临床适用性。
[0006] 本发明是通过以下技术方案来实现：
[0007] 一种颅脑动态电阻抗成像连续监护中断后监护图像信息继承的处理方法，该处理方法对连续监护中断前后的测量数据进行分析：首先，使用样条差分拟合的方法处理测量数据，抑制连续监护中断前后电极接触状态不一致导致的测量数据基线变化引起的图像伪影；然后，对图像重构
算法进行增广处理，将电极位移的先验信息引入重建矩阵，减小监护中断前后电极因安放位置不一致对监护图像的影响。
[0008] 上述处理方法具体包括以下步骤：
[0009] 1)获取测量数据的基线矫正值
[0010]
选定连续监护中断前的最后n帧数据和重新开始监护的前n帧数据，将数据连接在一起，为数据x(l)，对第i个有效数据通道数据xi(l)使用样条函数拟合，获取拟合序列其中，i∈N，N为测量通道总数；
[0011] 然后，检测 在基线跃变处上升侧的极大值 和下降侧的极小值计算基线矫正值
[0012] 2)对重新开始监护的数据进行测量基线矫正
[0013] 对重新开始监护后的第i个测量通道数据序列yi(l)，使用 对yi(l)进行基线矫正，与监护中断前的数据相比，若yi(l)处于基线升高的一侧，则矫正后的若yi(l)处于基线下降的一侧，则矫正后的
[0014] 3)对高斯-
牛顿图像重建公式进行增广处理
[0015] 对Δρ＝-[JtJ+λR]-1Jz，Δρ为不同时刻间的电阻抗变化分布向量，z为不同时刻的边界电压差向量；
[0016] 将雅各比矩阵 扩展为 将约束矩阵 扩展为 并利用先验信息确定系数λ和约束矩阵Raug的单元项；
[0017] 4)使用矫正后的数据和增广的重建公式重建目标场域的阻抗变化
[0018] 即 其中 为t1时刻的测量电压数据， 为t2时刻的测量电压数据。
[0019] 步骤1)中，对第i个有效数据通道数据xi(l)使用样条函数拟合，具体按下式进行：
[0020]
[0021] 其中，S(x)为数据序列xi(l)的样条拟合函数，求S(x)令L的值取到最小；其中，p∈[0,1]反映了拟合函数与实测数据的接近程度；S(x)是分段样条拟合函数，写成一般形式：
[0022] Sj(l)＝aj(l-lj)3+bj(l-lj)2+cj(l-lj)+dj；
[0023] 加入边界条件利用最小二乘法求解S(l)的各分段拟合函数系数。得到的S(l)具体表达式后，求拟合重构序列 检测 在基线跃变处上升侧的极大值 和下降侧的极小值 计算基线矫正值
[0024] 步骤3)具体操作为：
[0025] 高斯--牛顿图像重建公式如下式：
[0026] Δρ＝-[JtJ+λR]-1Jz；
[0027] 其中，J为雅各比矩阵，λR为正则化约束项，Δρ为不同时刻间的电阻抗变化分布向量，z为不同时刻的边界电压差向量；
[0028] 为抑制电极位置变化对成像结果的影响，对重建公式中的矩阵进行增广处理：对于雅各比矩阵 扩展为 nmeas为一帧数据包含的测量电压数，nelem为成像所用的重构使用的有限元模型单元数，ndim为成像维数，通常进行二维成像，所以取ndim＝2，ne为电极数量，雅各比矩阵的扩展部分填充为由于
测量电极位置变化的扰动，即：
[0029]
[0030]
[0031] 其中，A为电流激励向量，H为正向计算矩阵， 为电极位置在x或y方向上变化后重新计算的正向计算矩阵，该位移量通常统一设置为一个先验常量；
[0032] 然后，对约束矩阵R进行增广处理：
[0033] 将 扩展为 扩展部分填充为重构数据的噪声先验估计和重构电导率变化的先验估计，即：
[0034]
[0035] 其中，Rextra为一个拉普拉斯
滤波器，根据成像场域的先验信息确定正则化参数λ和Rextra的拉普拉斯模板，则有：
[0036]
[0037] 其中，avenoise为噪声相对于测量数据的平均先验幅值，aveconduct为电导率变化相对于初始电导率分布的平均先验幅值，avemove为相对于场域半径的电极位移平均先验幅值， 为拉普拉斯算子。
[0038] 与
现有技术相比，本发明具有以下有益的技术效果：
[0039] 本发明公开的颅脑动态电阻抗成像连续监护中断后监护图像信息继承的处理方法，用于恢复颅脑动态电阻抗成像临床连续监护中断后丢失的监护图像信息。该方法对连续监护中断前后的测量数据进行分析，首先使用样条差分拟合的方法处理测量数据，抑制连续监护中断前后电极接触状态不一致导致的测量数据基线变化引起的图像伪影，然后对图像重构矩阵进行增广处理，将电极位移的先验信息引入重建矩阵，减小监护中断前后电极因安放位置不一致对监护图像的影响。经测试，该方法能有效抑制监护中断前后电极接触状态和安放位置改变导致的图像伪影，恢复正常的监护目标，提高了电阻抗成像监护的临床实用性。
附图说明
[0040] 图1是本发明的方法流程示意图；
[0041] 图2是连续监护中断前一时刻的重构图像。
[0042] 图3是未使用本发明方法处理，将连续监护中断前一段时间的数据和重新开始监护后一段数据连接起来后的一维数据曲线(a)，以及重新选择参考帧(c)和不重新选择参考帧(b)情况下的二维重构图像；
[0043] 图4是使用本方法矫正步骤后的一维数据曲线(a)，未使用改进算法(b)和使用了本方法改进成像算法的二维重构图像(c)。
具体实施方式
[0044] 下面结合具体的
实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0045] 本发明的一种颅脑动态电阻抗成像连续监护中断后监护图像信息继承的处理方法，包括以下步骤：
[0046] (1)获取测量数据的基线矫正值。选定连续监护中断前的最后n帧数据和重新开始监护的前n帧数据，将数据连接在一起为数据x(l)，对第i(i∈N，N为测量通道总数)个有效数据通道数据xi(l)使用样条函数拟合：
[0047]
[0048] 其中S(x)为数据序列xi(l)的样条拟合函数，S(x)令L的值取到最小。其中p∈[0,1]反映了拟合函数与实测数据的接近程度。S(x)是分段样条拟合函数，可以写成一般形式：
[0049] Sj(l)＝aj(l-lj)3+bj(l-lj)2+cj(l-lj)+dj
[0050] 加入边界条件利用最小二乘法求解S(l)的各分段拟合函数系数。得到的S(l)具体表达式后，求拟合重构序列 检测 在基线跃变处上升侧的极大值 和下降侧的极小值 计算基线矫正值
[0051] (2)对重新开始监护的数据进行测量基线矫正。对重新开始监护后的第i个测量通道数据序列yi(l)，使用 对yi(l)进行基线矫正，与监护中断前的数据相比，若yi(l)处于基线升高的一侧，则矫正后的 若yi(l)处于基线下降的一侧，则矫正后的
[0052] 重复步骤(1)(2)，对所有的测量通道进行以上处理，。
[0053] (3)改进成像算法，对高斯-牛顿图像重建公式进行增广处理。对于高斯-牛顿成像算法公式：
[0054] Δρ＝-[JtJ+λR]-1Jz
[0055] 其中为J重构矩阵，λR为正则化约束项，z为不同时刻的边界电压差向量，Δρ为不同时刻间的电阻抗变化分布向量。
[0056] 为了抑制电极位置变化对成像结果的影响，则要对重构公式中的矩阵进行增广处理。对于雅各比矩阵 扩展为 nmeas为一帧数据包含的测量电压数，nelem为成像所用的重构使用的有限元模型单元数，ndim为成像维数，通常进行二维成像，所以取ndim＝2，ne为电极数量，雅各比矩阵的扩展部分填充为由于测量电极位置变化的扰动，即
[0057]其中
[0058] A为电流激励向量，H为正向计算矩阵， 为电极位置在x或y方向上变化后重新计算的正向计算矩阵，该位移量通常统一设置为一个先验常量。
[0059] 然后对约束矩阵R进行增广处理，将 扩展为 扩展部分填充为重构数据的噪声先验估计和重构电导率变化的先验估计，即
[0060]
[0061] 其中Rextra为一个拉普拉斯滤波器。根据成像场域的先验信息确定正则化参数λ和Rextra的拉普拉斯模板，有
[0062]
[0063] 其中avenoise为噪声相对于测量数据的平均先验幅值，aveconduct为电导率变化相对于初始电导率分布的平均先验幅值，avemove为相对于场域半径的电极位移平均先验幅值。
[0064] (4)使用矫正后的数据和增广的重建公式重建目标场域的阻抗变化。即其中 为重新开始监护后的参考帧电压数据， 为重新开始监护后的前景帧电压数据，又可以简写为Δρ＝Saugz。
[0065] 具体实施方式如下：
[0066] 在受试者头部贴好全部涂好导电膏的电阻抗测量电极，并用绷带缠绕头部来固定电极，待所有电极接触正常后，开始进行
数据采集和图像监护。正常连续监护的图像如图2所示，图像上包含有明显的阻抗变化目标。为了模拟监护中断的情况，将全部测量电极从受试者头部移除，用纱布将受试者头部贴电极的区域擦拭干净后，重贴全部电阻抗测量电极。受操作实际情况的限制，重贴的电极与初始状态相比，在分布位置和与头皮的接触阻抗都会发生变化，影响边界电压，使得重新开始监护前后的测量数据基线不一致，如图3(a)所示。如果不进行任何处理的话，仍然使用监护中断前的参考帧，则会在监护图像上表现出强烈的伪影，湮没原有目标，如图3(b)所示；如果选取重新开始监护后的数据为背景帧，则图像上则没有之前的目标信息，如图3(c)所示。因此需要一定的处理方法，在不重新选择成像参考帧的情况下，抑制图像伪影并恢复图像上原有的目标信息。
[0067] 根据图1所示流程，在重新开始监护时，按以下步骤对数据和成像算法进行处理：
[0068] 步骤一：获取电极头皮接触状态不一致导致的测量数据基线变化。读取监护中断前的监护过程的最后n帧数据，以及重新开始的监护的前n帧数据，组合成测量数据序列x(l)，数据序列的组成用矩阵表示为：
[0069]
[0070] xmeas(l)表示第l帧数据的第meas个测量通道的测量数据，并且有l＝2n。在EIT测量系统中测量通道个数与电极数量和采用的激励-测量模式有关。每次处理选取单个测量通道的数据序列xi(l)，利用样条函数按照下式对xi(l)进行拟合，求拟合函数S(l)：
[0071]
[0072] 拟合函数S(l)是一个分段三次多项式，可以写成如下的一般形式：
[0073] Sj(l)＝aj(l-lj)3+bj(l-lj)2+cj(l-lj)+dj
[0074] 加入自然边界条件b0＝bl＝0，并代入各分段边界条件和导数连续条件，得到矩阵方程：
[0075]
[0076] hi＝xi+1-xi，qi＝2(hi-1+hi)，
[0077] 并得到系数aj,cj关于bj,dj的表达式：
[0078]
[0079] 令L'＝0，求得对应的三次多项式系数。得到样条拟合函数S(l)的表达式后，计算对应位置的拟合值序列 检测 在基线跃变处上升侧的极大值 和下降侧的极小值 计算基线矫正值
[0080] 步骤二：矫正变化的测量数据基线。对监护过程2的第i个测量通道数据序列yi(l)，使用 对yi(l)进行基线矫正。如图3(a)所示，与监护中断前的数据相比，yi(l)处于基线升高的一侧，则矫正后的 矫正结果如图4(a)所示。如图4(b)所示，如果直接进行成像，则监护图像上会出现因电极位置变化的导致的监护图像伪影，影响对监护目标的识别判断，需要对图像伪影进行抑制处理。
[0081] 步骤三：改成成像算法，抑制电极位置变化造成的图像伪影。对动态成像所使用的高斯-牛顿图像重建公式进行增广处理。有高斯-牛顿成像算法公式：
[0082] Δρ＝-[JtJ+λR]-1Jz
[0083] 其中为J重构矩阵，λR为正则化约束项，z为不同时刻的边界电压差向量，Δρ为不同时刻间的电阻抗变化分布向量。
[0084] 对于雅各比矩阵 扩展为 nmeas为一帧数据包含的测量电压数，nelem为成像所用的重构使用的有限元模型单元数，ne为测量电极数量，雅各比矩阵的扩展部分填充为测量电极位置变化的先验扰动补偿值，即：
[0085]为了求得其中的填充元素，要利用电阻抗成像的正向计算公式
[0086] z＝HA
[0087] 其中A为电流激励向量，H为正向计算矩阵，与用于成像的有限元模型坐标有关，z为边界电压向量。要计算 先设置一个先验量θ，
修改1号电极的x轴方向坐标ux为ux＝ux+θ，重新计算正向重建矩阵，得到新的边界电压向量：
[0088] zmove＝HmoveA
[0089] 则有
[0090]
[0091] 同理计算其它电极和y轴坐标发生位移的情况下的J矩阵增广元素，先验量都使用θ。
[0092] 然后对约束矩阵R进行增广处理，将 扩展为 扩展部分填充为重构数据的噪声先验估计和重构电导率变化的先验估计，即
[0093]
[0094] 其中Rextra为离散拉普拉斯滤波器形式，可写成：
[0095]
[0096] 具体元素为：Ri,j|(extra)＝2.1·δ2，Ri,j|(extra)＝-1·δ2(i单元和j单元相邻)，其它元素为0。其中 aveconduct为目标电导率变化相对于初始电导率分布的比例系数，avemove为电极平均位移相对于场域半径的的比例系数。
[0097] 约束系数λ为：
[0098]
[0099] 其中，avenoise为噪声
信号相对于测量数据的比例系数。
[0100] 矫正后的成像结果如图4(c)所示。与未经算法处理，重新选择成像参考帧的成像结果相比，处理后的成像结果能有效反映出监护中断前的成像目标。与未经算法处理，未重新选择成像参考帧的成像结果相比，处理后的成像结果可以有效抑制数据测量的基线变化导致的图像伪影。经过
对电极位置变化的算法补偿，和测量数据的基线矫正，与图2相比，经本文算法处理后的成像结果有效还原了原图像信息，参考图像右侧的色阶条，可以保证还原的图像结果在数值分布与原图像一致。因此，该监护图像信息继承处理的处理方法可以有效应对颅脑动态电阻抗成像连续监护中断后重新开始监护后原有监护信息丢失的情况。
