基于机器学习的图像重建在胸部的可穿戴CC-EIT:对电极位移的强度

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 计算电生理学 计算电生理学

背景情况:

• 电容合电阻断层扫描 (CC-EIT) 是一种非侵入性成像技术.
• 精确的电极放置对于可靠的CC-EIT图像重建至关重要.
• 电极位置的变化会降低图像质量和诊断效用.

研究的目的:

• 调查可变电极位置对胸部CC-EIT图像重建的影响.
• 开发和评估一个强大的对抗性神经网络用于CC-EIT图像重建.
• 为了提高CC-EIT成像在电极位移的情况下的准确性和可靠性.

主要方法:

• 使用数字胸部幻影与心脏,肺部,大动脉和脊柱.
• 生成了具有可穿戴32电极带和随机电极位置变化的合成数据集.
• 在带有和没有电极位移的数据集上训练有素的对抗性神经网络.
• 使用像素对像素指标 (RMSE,SSIM,CC,PSNR) 评估图像重建质量.

主要成果:

• 在没有特定的训练数据的情况下,电极位移显著降低了重建质量.
• 使用电极位移数据训练神经网络大大提高了图像重建质量.
• 反对神经网络表现出对电极放置不准确性的强度增加.

结论:

• 电极位置的变化是影响CC-EIT图像重建准确性的关键因素.
• 使用多种电极位置训练CC-EIT神经网络可以提高稳健性.
• 这种方法提高了CC-EIT用于胸部成像的临床适用性.