一种基于数字孪生驱动的电阻抗成像方法、存储介质、设备与流程
本发明属于医学成像及深度学习这一，具体涉及一种基于数字孪生驱动的电阻抗成像方法、存储介质、设备。
背景技术：
1、eit(全称：electrical impedance tomography,电阻抗成像)是一种可视化图像技术，基于生物组织边界电压来重建内部电导率分布，尤其在床旁连续实时监测场景下具有独特的应用优势(如：cn115245322a、cn117338278a、cn117179732a)。但是，eit技术仍然面临一些挑战，特别是由于其软场特性导致的空间分辨率严重受限的问题。
2、为了克服上述问题，研究人员采用了各种先进的正则化方法，以提高eit重建质量。
3、第一种技术路线：静态eit探索了基于形状驱动的重建方法，通过空间先验知识恢复内部目标的形状信息(如：cn112401865a、cn110251130a、cn112401866a)。
4、第二种技术路线：动态eit涉及电压测量或图像重建的时间序列分析，引入时空相关性的概念，利用时空先验知识来获得更高分辨率的重建结果(如：cn111192337、cn110910466a)。
5、第三种技术路线：与前面两种传统正则化技术路线相比，基于深度学习的eit方法能够通过训练数据灵活地引入先验信息，使得模型能够更好地理解和反映待成像物体的潜在特征。同时，一旦模型训练完成，成像速度显著提高。同时，基于深度学习的eit方法还能够提升重建图像的分辨率，使得成像结果更加清晰和准确。(如：cn114663544a、cn112001977a、cn115670421a、cn114052702a)。
6、基于以上现有技术的研究，发现基于深度学习的eit方法这一技术路线仍然存在如下问题：
7、(1)在长期呼吸监测场景中，患者体位变化或操作不当往往会导致电极接触不良或部分断开。当存在一个或多个故障电极时，采集的电压数据将受到破坏，从而导致图像失真严重。在这种情况下，从不准确的测量中盲目重建电导率图像可能会导致错误的治疗决策。
8、(2)基于深度学习的肺eit成像方法已取得显著进展，但仍然面临一些挑战，特别是来自测量噪声、接触阻抗、胸腔变形以及电极故障等模型误差带来的不良影响。在这种情况下，基于深度学习的电阻抗成像方法需要在故障电极等存在的情况下获得可靠的重建结果，以确保准确的诊断和治疗。
技术实现思路
1、本发明的目的是为了解决上述现有技术存在的问题，提供一种基于wovae模型寻求最佳电气特征的方法。
2、本发明的另一目的在于提供一种基于数字孪生驱动的电阻抗成像方法。
3、本发明的又一目的在于提供一种存储介质。
4、本发明的再一目的在于提供一种计算机设备。
5、本技术的技术方案在于：
6、一种基于wovae模型寻求最佳电气特征的方法，其包括如下步骤：
7、s1，输入边界电压数据集u；
8、s2，初始化：在潜在空间中初始化一群鲸鱼个体，每个鲸鱼代表一组电气特征；
9、s3，计算每个鲸鱼所在位置的适应度并求出鲸鱼的最优位置；
10、s3-1，将每个鲸鱼的每组电气特征均转换为对应的模拟边界电压数据集；其中，一组电气特征转换为对应的模拟边界电压数据集的方法是：
11、首先，将所述电气特征输入到训练好的vae模型，训练好的vae模型输出高精度的重构eit图像；
12、然后，将所述重构eit图像进行正向建模求解，得到模拟边界电压数据集v；
13、s3-2，计算每个鲸鱼的适应度值f(σ)，并选择最优鲸鱼位置且保留；
14、
15、其中，cov表示协方差，var表示方差，v、u分别是模拟边界电压数据集、输入边界电压数据集；
16、s4，基于步骤s3确定的最优鲸鱼位置进行包围猎物、泡网攻击和搜索猎物，更新鲸鱼的位置；
17、s5：判断迭代是否完成；
18、判断是否满足终止条件：若是，则输出最优的一组电气特征；否则，返回步骤s3。
19、一种基于数字孪生驱动的电阻抗成像方法，其包括以下步骤：
20、s100，读取边界电压数据集；
21、s200，采用前述的方法寻求最佳电气特征；
22、s300，将步骤s200得到的最佳电气特征输入到训练好的vae模型，vae模型输出重构的eit成像。
23、进一步，步骤s100还包括以下子步骤：
24、s101，读取电阻抗监测设备得到边界电压数据集u实测；
25、s102，求取输入边界电压数据集u：
26、
27、其中，λ是一个正则化参数，是一个单位矩阵，是一个子矩阵，由与位于边界附近的三角形元素相对应的所有列组成。
28、一种存储介质，其存储有计算机程序，所述计算机程序用于执行前述的寻求最佳电气特征的方法的步骤。
29、一种存储介质，其存储有计算机程序，所述计算机程序用于执行前述的电阻抗成像方法的步骤。
30、一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如前述的基于wovae模型寻求最佳电气特征的方法的步骤。
31、一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如前述的基于数字孪生驱动的电阻抗成像方法的步骤。
32、本发明技术方案的优点主要体现在：
33、(1)本技术开发了一个全新的孪生eit框架，旨在补偿校正故障电极的无效数据，实现高鲁棒性的肺成像。本技术所提出的孪生eit框架在于：它是由信息和数据从物理空间到虚拟空间再返回物理空间的持续循环流所驱动的。同时，它深度融合了eit感知技术和深度卷积进化算法，建立了虚拟wovae模型和物理eit设备之间的数字映射。这实现了整个呼吸监测过程中的数据共享、互动反馈和可视化分析。
34、(2)对于wovae算法而言，其应用时基础性的问题是如何确定适应度函数(适应度函数用于评估鲸鱼位置的质量)。
35、本技术的确定的适应度函数为：
36、
37、其中，cov表示协方差，var表示方差，v、u分别是模拟的边界电压数据集、输入的边界电压数据集，在潜在空间探索过程中，目标函数f(σ)越大表示该潜在特征计算得到的边界电压数据集与输入的边界电压数据集的相似度越高，则该鲸鱼位置越有可能是最优解。
38、(3)在确定了适应度函数的基础上，又产生了一个问题。woa算法初始化得到的是模拟的电气特征，而非模拟的边界电压数据集。由此，初始化得到的模拟的电气特征需要转化为边界电压数据集，才能计算适应度函数。
39、对此问题，在woa算法中调入vae模型，初始化得到的模拟的电气特征输入到训练好的vae模型中，vae模型输出重构的eit图像，将所述重构eit图像进行正向建模求解，得到模拟边界电压数据集(即得到了每个鲸鱼对应的模拟边界电压数据集)。
40、即，在woa算法中寻求最佳电气特征的过程中，嵌入了vae特征(woa嵌入了vae特征，形成了wovae模型)，以便求解适应度。
技术特征：
1.一种基于数字孪生驱动的电阻抗成像方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数字孪生驱动的电阻抗成像方法，其特征在于，步骤s100还包括以下子步骤：
3.一种存储介质，其特征在于，其存储有计算机程序，所述计算机程序用于执行如权利要求1或2所述的基于数字孪生驱动的电阻抗成像方法的步骤。
4.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1或2所述的基于数字孪生驱动的电阻抗成像方法的步骤。
技术总结
本发明提出了一种基于数字孪生驱动的电阻抗成像方法、存储介质、设备，属于医学成像技术领域，其技术要点在于：WOVAE模型用于寻找与读取的边界电压数据集匹配的最优的潜在特征，再通过虚拟层构建的VAE模型得到最佳的电导率图像，再然后VAE模型输出的图像通过通信层进行交互反馈。整个方法补偿了物理层EIT设备采集到的无效电压数据，最终实现高鲁棒性的肺EIT成像。采用本申请的一种基于数字孪生驱动的电阻抗成像方法、存储介质、设备，能够有效的提高成像的鲁棒性。
技术研发人员：姚佳烽,吴阳,刘凯
受保护的技术使用者：济纶医工智能科技（南京）有限公司
技术研发日：
技术公布日：2024/12/5