基于电容合电阻断层扫描中风的生成对抗网络图像重建

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 电容合电阻断层扫描 (c-EIT) 为大脑成像提供了一种非侵入性方法.
• 准确的中风检测和表征对于及时的医疗干预至关重要.
• 开发先进的图像重建技术对于提高c-EIT的诊断能力至关重要.

研究的目的:

• 研究机器学习的有效性,特别是条件生成对抗网络 (cGANs),用于c-EIT中的中风图像重建.
• 与传统方法相比,使用cGAN重建的大脑图像的质量评估.
• 评估基于cGAN的c-EIT在区分健康和中风受影响的大脑组织方面的潜力.

主要方法:

• 采用2D数值模拟来生成用于监督网络培训的大数据集.
• 模拟了一个头部幻影,包括各种组织类型和模拟的中风病变.
• 使用了一个包含合电容的16电极电容传感器模型.
• 在Matlab中使用ECTsim工具包进行前性问题解决和测量模拟.
• 在模拟数据上训练了一个cGAN,代表健康患者和患有出血或缺血性中风的患者.

主要成果:

• cGAN成功地从模拟的c-EIT数据中重建了大脑图像.
• 通过监督学习和cGAN获得的图像质量是有希望的.
• 图像允许在健康和中风影响的大脑之间进行视觉区分.
• 在重建的图像中,出血性中风引起的变化是最明显的.

结论:

• 使用cGAN的基于机器学习的图像重建具有使用c-EIT进行中风检测的巨大潜力.
• 开发的方法显示了视觉识别中风和区分中风类型的前景.
• 需要进一步研究和验证物理幻影以推进临床适用性.