一种基于盲源分离的多频磁感应断层成像重建方法

1.本发明属于磁感应断层成像(magnetic induction tomography,mit)技术领域，涉及一种基于盲源分离思想的多频mit重建方法和mit系统。


背景技术：

2.磁感应断层成像(mit)技术是依据涡流检测原理的一种无创、非接触成像技术，通常包括以下流程：采用与被测物不接触的线圈产生交变磁场，使被测物感应出涡流，通过测量区域外围放置的线圈检测该涡流产生的感应磁场，最后利用图像重建算法进行成像。由于mit技术的检测成本低、无辐射以及可以进行功能成像等优势，在工业和生物医学领域得到了广泛关注。
3.由于生物组织集合体复杂的阻抗分布特性，对mit重建算法提出了较高的要求。在生物医学领域mit重建算法主要集中于单频差分算法研究，即通过两个测量状态之间的差异来重建电导率的变化。依据单频差分算法原理，成像过程需要不包含特定目标的数据做参考背景(但仍包括其他同属于测量区域内的其他结构或组织)，将含特定目标的数据与其差分，从而重构出特定目标的图像，但由于实际往往很难获得不包含特定目标的数据，使得单频差分算法的应用受限。多频mit重建算法利用各种生物组织的阻抗频谱特性存在明显差异的特点，通过多频mit数据重构出特定目标的mit图像，不需要参考背景(不包含特定目标的数据)，因此应用前景更为广泛，有望实现临床中对损伤组织、肿瘤组织等特定目标进行快速检测的目的。
4.多频mit重建算法需要解决的技术难题在于如何克服生物组织阻抗分布的复杂性对重建的影响。现有的多频mit重建算法，通常将组织阻抗分布按照近似均匀的分布进行简化(zolgharni m,griffiths h,ledger p d.frequency
‑
difference mit imaging of cerebral haemorrhage with a hemispherical coil array:numerical modelling.physiol meas,2010,31(8):s111
‑
25.)，在工业领域这种简化是可行的，同时对重构结果影响较小，而在生物医学领域，由于生物体，例如人体的组织成分复杂，阻抗分布难以按照均匀的分布进行近似，因此现有研究只能在仿真和简单物理模型条件下重构出特定目标，而在人体复杂的阻抗分布情况下无法获得能够识别特定目标的多频mit图像(xiao z,tan c,dong f.multi
‑
frequency difference method for intracranial hemorrhage detection by magnetic induction tomography.physiol meas,2018,39(5):055006；xiang j,dong y,yang y.multi
‑
frequency electromagnetic tomography for acute stroke detection using frequency
‑
constrained sparse bayesian learning.ieee transactions on medical imaging,2020,11.)。目前，仅在时间分离的图像处理中见到了利用盲信号分离共有时域图案的报道(cn102282587a)。
5.总之，在多频mit技术的应用过程中，由于存在结构复杂、电导率分布不均匀等因素，目前尚无法利用多频mit技术实现在生物组织复杂阻抗分布条件下对特定组织的图像进行重建。因此，迫切需要提出一种适用于生物组织复杂阻抗分布的多频mit重建算法。


技术实现要素：

6.针对目前缺乏能有效适用于生物组织复杂阻抗分布条件的多频mit重建算法的问题，本发明提出一种基于盲源分离的多频磁感应断层成像重建方法。
7.为达到上述目的，本发明采用了以下技术方案：
8.一种基于盲源分离的多频磁感应断层成像(mit)重建方法，包括以下步骤：
9.1)将获得的多频mit测量数据组装为多频测量矩阵，利用内部阻抗变化与边界测量数据的关系，建立基于多频测量矩阵的mit图像重建逆问题模型，对该模型进行求解，得到多频mit逆问题解矩阵；
10.2)通过盲源分离对多频mit逆问题解矩阵进行成分分解；
11.3)根据特定生物组织的阻抗谱特性，从分解得到的成分中识别出该组织对应的成分，将该成分进行mit图像转化，得到所述特定生物组织的重建图像。
12.优选的，所述多频mit测量数据采集自包含特定生物组织的具有复杂阻抗分布的生物组织集合体。
13.优选的，所述步骤1)中，多频测量矩阵表示为：
[0014][0015]
其中，其中，表示测量区域内为包含特定生物组织的生物组织集合体时第i个频率下采集的磁感应信号，为测量区域内为空气或真空时第i个频率下采集的磁感应信号，n为测量频率个数。
[0016]
优选的，所述步骤1)中，mit图像重建逆问题模型表示为：
[0017][0018]
其中，δσ为多频mit逆问题解矩阵，b
norm
为重构矩阵，为预处理后的多频测量矩阵。
[0019]
优选的，所述步骤2)中，将多频mit逆问题解矩阵的每个解向量作为观测到的混合信号，并通过自适应的获取信号权重实现成分分解，从而通过盲源分离得到矩阵：
[0020][0021]
其中，s
j
代表第j种生物组织对应的成分。
[0022]
优选的，所述步骤3)具体包括以下步骤：
[0023]
3.1)将特定生物组织的各频率下的阻抗值按照频率排列成阻抗谱向量γ：
[0024][0025]
其中，f
i
为第i个频率，n为测量频率个数；
[0026]
结合所述特定生物组织的阻抗谱向量γ从成分分解得到的不同生物组织对应的成分中提取所述特定生物组织对应的成分s
lesion
(例如，参照阻抗谱向量，选择与特定生物组织相关性最大的独立成分)；
[0027]
3.2)通过信号和图像处理，将成分s
lesion
转化为实时显示的多频mit图像。
[0028]
优选的，所述信号和图像处理选自幅度较正、灰度或伪彩色映射、二维或三维空间位置映射中的一种或多种。
[0029]
一种磁感应断层成像系统，包括多频mit测量单元以及mit图像重建单元；所述mit图像重建单元包括mit建模及求解模块、盲源分离模块和mit成像模块；
[0030]
所述mit建模及求解模块用于将多频mit测量单元获得的多频mit测量数据组装为多频测量矩阵后利用内部阻抗变化与边界测量数据的关系，建立基于多频测量矩阵的mit图像重建逆问题模型并求解该模型；
[0031]
所述盲源分离模块用于对mit建模及求解模块获得的多频mit逆问题解矩阵进行成分分解；
[0032]
所述mit成像模块用于根据特定生物组织的阻抗谱特性，从盲源分离模块分解得到的成分中识别出该组织对应的成分，并将该成分进行mit图像转化。
[0033]
本发明的有益效果体现在：
[0034]
本发明通过组装多频测量矩阵、多频测量mit逆问题求解以及基于盲源分离的成分提取，实现了利用多频mit测量数据重构生物组织的mit图像，解决了多频mit重建算法在生物组织复杂阻抗分布条件下，无法重建获得特定生物组织mit图像的问题，为利用多频mit技术获取体内组织(例如，出血脑组织、缺血脑组织、囊肿等)的图像信息提供了新的思路和有效途径。
附图说明
[0035]
图1是实施例中基于盲源分离思想的多频磁感应断层成像重建算法的流程框图。
[0036]
图2是实施例中基于真实脑部结构的有限元仿真模型；图中：1.头皮层，2.颅骨层，3.脑脊液层，4.脑室，5.脑实质层，6.激励
‑
测量线圈。
[0037]
图3是实施例中脑部各种组织的电导率随频率变化图。
[0038]
图4是在图2所示有限元仿真模型中模拟单出血目标的设置示意图。
[0039]
图5是实施例中使用的重构模板。
[0040]
图6是实施例中的多频mit重建结果。
[0041]
图7是多频mit重建对比结果：(a)现有技术在脑部多种具有不同电特性的组织背景下的多频mit重建结果；(b)现有技术在单一脑部组织背景下的多频mit重建结果。
具体实施方式
[0042]
以下结合附图和实施例对本发明作进一步的详细说明。所述实施例仅用于使本领域技术人员可以更好的理解本发明的发明内容和发明目的，而非对本发明保护范围的限制。
[0043]
(一)三维磁感应断层成像颅脑仿真模型
[0044]
如图2所示，建立的颅脑仿真模型包括激励
‑
测量线圈6，以及头皮层1、颅骨层2、脑脊液层3、脑实质层5、脑室4等结构。如图4所示，为了模拟脑损伤情况，在模型中加入体积为10ml的小球，模拟出血组织以及出血灶位置。仿真过程分别对颅脑仿真模型中不同组织赋予相应频率下的电特性参数(具体为电导率值)，各组织电特性参数如图3所示(数据来源于公开数据库)，其中脑室设置为脑脊液的电特性参数。基于该颅脑仿真模型可以较为真实的模拟脑部复杂的阻抗分布情况及多频mit技术的应用过程。
[0045]
(二)基于盲源分离思想的多频磁感应断层成像重建算法
[0046]
根据图1所示流程，在设置好颅脑仿真模型后，按以下步骤测量数据并对数据进行处理：
[0047]
步骤1：基于多频mit数据测量方式，从1～10mhz中选择10个频率，并利用所述颅脑仿真模型进行仿真计算，得到多频mit测量数据，将所得测量数据组装为多频下的测量矩阵(即多频测量矩阵)：
[0048][0049]
其中，其中，是测量区域包含脑部模型和出血目标时第i个频率下mit测量线圈上的电压相位向量，是测量区域为空气时第i个频率下mit测量线圈上的电压相位向量，i＝1,2,
…
,10。
[0050]
对上述多频测量矩阵按以下公式进行预处理：
[0051][0052]
然后，利用颅脑内部阻抗变化(具体为电导率变化)δδ与边界电压相位变化之间的近线性关系(该关系以线性系统描述为其中，j为敏感矩阵)，将多频mit图像重建问题通过建模转换成对基于多频测量矩阵的逆问题的求解，即建立如下所示的多频mit逆问题：
[0053][0054]
其中，b
norm
为重构矩阵，具体可以表示为：
[0055][0056]
其中，为第i个频率下的重构矩阵，r为正则化矩阵，λ为正则化参数。
[0057]
上述重构模板可以采用如图5所示的对圆形域进行有限元三角形网格剖分，然后求解计算得到重构矩阵b
norm
。
[0058]
利用重构模板得到重构矩阵后求解多频mit逆问题，得到多频mit逆问题解矩阵：
[0059][0060]
中，频率f
i
处的解向量为由于mit图像共有m个像素(例如，m＝513)并按照三角形单元的顺序排列(单元数等于像素数)，则表示为：
[0061]
[0062]
其中，为频率为f
i
时第e个单元的重建值，t为矩阵转置。
[0063]
步骤2：选用经典的盲源分离算法(例如，fastica算法)，对多频mit逆问题解矩阵进行独立成分分离。
[0064]
首先，将多频mit逆问题解矩阵的每一列看作一个观测到的混合信号，引入混合矩阵a描述源信号的混合过程：
[0065]
δσ＝as
[0066]
其中，s为源信号矩阵，在此假定源信号之间在统计学上是相互独立的。
[0067]
然后，盲源分离算法通过自适应的获取信号权重，利用统计独立性，不断迭代得到解混矩阵w(是混合矩阵a的伪逆的一种近似)，实现独立成分的分离，分离过程可以描述为：
[0068][0069]
从而得到分离出的源矩阵其实质为s的估计。该源矩阵共由5个列向量组成(每个列向量由m个元素组成)，即通过fastica算法分解得到5个独立成分。
[0070]
最后，通过对解混矩阵w求逆，可得混合矩阵a为：
[0071][0072]
步骤3：计算混合矩阵a＝(a1,a2,
…
,a5)中的各列和损伤组织(出血组织)的电导率向量相关系数；然后选择相关系数绝对值最大的列(列号为j
max
)；其中，电导率向量(属于阻抗谱向量)γ是通过将损伤组织的阻抗谱按照频率排列而成。
[0073]
利用出血组织的阻抗谱特性，经计算得到的列号为：1(即j
max
＝1)，从中提取出出血组织对应的成分(即选择中的第一列s1作为分离出的损伤组织成分，记为s
lesion
)。选择a中出血组织对应成分的列(即a中的第一列)，并选取该列中绝对值最大的数作为后期信号处理(后处理)中的幅度校正因子p(p＝0.294)。
[0074]
后处理中，具体通过下式进行校正：
[0075]
σ
lesion
＝p
·
s
lesion
[0076]
将校正后的结果σ
lesion
，按照像素单元顺序，转化为二维mit图像，最终得到的多频mit重建结果如图6所示。从图6可以看出，重建的图像中可以准确反映设置的出血灶的位置(图6中圆形虚线为预设的出血灶位置)。
[0077]
(三)对照例
[0078]
按照(一)中所述模型，利用现有技术得到的多频mit图像结果如图7(a)所示，从重建的图像中无法准确获得设定出血灶的位置。将(一)中的脑部模型设置为单一的组织(如
只保留脑实质层)，在与(一)中所述同样位置设置相同出血灶，利用现有技术可以得到图7(b)所示的结果。从结果可以看出现有技术针对脑部组织为单一组织可以获得能反映出血灶的多频mit图像，但当脑部组织为多种具有不同电特性的组织的集合体(更符合实际情况)时现有技术无法获得能反映出血灶的多频mit图像。可见，本发明的重建方法具有在背景组织复杂时情况下取得有价值的结果的优势。