多频率电阻抗断层成像（共4篇）
多频率电阻抗断层成像 篇1
0 引言
电阻抗断层成像 (electrical impedance tomography, EIT) 是一种新型的成像技术, 其通过向人体施加安全激励电流 (电压) , 同时测量边界电压 (电流) , 然后利用成像算法计算出目标内阻抗的分布或者变化的图像。 由于该技术对人体无害, 而且与传统临床成像技术相比, 具有无辐射、无创、便携、低成本和功能成像等优势, 所以, 具有良好的临床应用前景[1]。
目前, 大多数的EIT临床应用都是针对不同时刻的阻抗变化进行成像 (时差成像) , 这种成像方式可对疾病的发展过程进行实时动态地监测, 但是对于已经存在并在短期内不会发生变化的疾病, 例如脑血肿肿瘤等, 则难以达到检测的目的。而相关文献表明, 人体的不同组织具有不同的阻抗频谱特性[2-3], 因此, 可利用同一时刻不同激励频率下的电阻抗特性的差异进行成像, 以期达到诊断疾病的目的, 这种EIT成像方式即为多频电阻抗断层成像 (multi-frequency electrical impedance tomography, MFEIT) 。
MFEIT要求数据采集系统能够工作在较宽的频带范围内, 同时, 对系统的精度也提出了更高的要求但是系统内部的器件、电路布线、电极导线等会产生一定的分布电容, 而分布电容的电阻抗会随测量频率的改变而变化, 因而会不可避免地引入因工作频率的不同而产生的测量误差, 这些误差可能导致在成像结果中无法准确地分析成像目标内的阻抗信息, 故在实际应用前需要对这种误差进行校准。本文从幅频特性和相频特性2 个方面对本课题组自主研发的MFEIT数据采集系统进行了研究, 提出了幅频和相频校准方法, 并通过物理模型实验对比了校准前后的结果, 证明了校准的有效性。
1 材料和方法
1.1 MFEIT系统的测量原理
MFEIT系统的性能为:工作频率为1~190 k Hz输出电流为0~1.25 m A, 测量速度为1 帧/s, 共模抑制比大于75 d B, 互易性误差小于0.11%[4]。 本文采用的激励测量模式为对向激励 (电流激励) 、邻近测量 (电压测量) 。 该系统共16 个电极, 测量原理如图1所示。 某一时刻, 某一对相对电极作为激励电极向目标施加电流, 其余邻近电极测量电压, 每对电极激励下共有12 个测量通道的数据有效;下一时刻, 另一对相对电极作为激励电极, 其余相邻电极测量电压, 当遍历完所有电极之后, 所有测量电压形成一帧数据 (192 个) 。
假设激励信号为I=Asin (kωt) , 幅度为A, 角频率为kω, 测量信号经每周期的N点均匀采样 (N>2k) 后可得序列为:
式中, Z为阻抗的模值, 准为相移, j为0~N-1 的整数。
S1和S2的内积分别为:
Re=j=N-Σ01S(j)×S1(j)=Z·cos准 (2)
Im=j=N-Σ01S(j)×S2(j)=Z·sin准 (3) 其中, Re和Im分别对应角频率为 ω 时阻抗的实部和虚部。
1.2 相位误差和幅度误差的校准方法
当系统工作在不同频率时, 测量数据会受到多方面的影响。 图2 为MFEIT测量系统误差来源等效电路图, 其中Rs和Cs为电流源的输出阻抗, R0和C0为电极与皮肤之间的接触所产生的阻抗, Cd为导线、电子器件 (例如多路开关[6]) 对地的分布电容, Ri和Ci为电压放大器的输入阻抗, RL和CL为负载。 因为系统的各个误差成分复杂, 而且随系统的工作频率发
生变化, 因而无法通过严格的数学推导进行求解[7]所以, 本文采用实验的方法对系统误差进行校准。
在实际应用中, 系统误差的影响使相移准不仅包含了组织引起的相位偏移 (准z) , 而且包含了系统误差引起的相位偏移 (ξ) , 即:准=准z+ξ;同时, 使模值 (Z) 受到一定程度的偏移, 即:Z=μ·Z0, μ 为幅值偏移系数。 因此, 式 (2) 、 (3) 可写为:
Re=μ·Z0·cos (准z+ξ) (4Im=μ·Z0·sin (准z+ξ) (5
理论上, 如果不存在系统误差 (μ=1, ξ=0) , 那么当负载为电阻时, 由于负载不会产生相移 (准z=0) , 并且负载上测得的电压信号应只与激励电流 (I) 和负载 (Z0=R) 有关, 所以, 经解调后的阻抗实部和虚部分别为:
Re=μ·Z0·cos (准z+ξ) =1×Z0·cos0=R (6Im=μ·Z0·sin (准z+ξ) =1×Z0·sin0=0 (7
但是, 在实际中, 由于系统误差的存在, 使得不同频率下的测量电压信号具有不同程度的相位偏移和幅值偏移 (μ≠1, ξ≠0) , 所以, 经解调后的阻抗实部和虚部具有如下形式:
Re=μ·Z0·cos (准z+ξ) =μ·Z0·cosξ=μ·R·cosξ (8Im=μ·Z0·sin (准z+ξ) =μ·Z0·sinξ=μ·R·sinξ (9
因此, 当负载为电阻 (R) 时, 可通过公式 (8) 、 (9计算系统在不同频率点上的 ξ 和 μ, 即:
ξ=arctan (Im/Re) (10
计算出 ξ 和 μ 后, 就可利用 ξ 和 μ 校准测量数据, 即 ξ 和 μ 分别为相频校正因子和幅频校正因子。
1.3 获取系统校正因子
由于系统的互易性误差小于0.11%, 所以, 可利用单通道测量数据计算校正因子。 本文首先采用电阻网络模型验证系统的各通道在各频率点的测量一致性, 然后研究单通道不同阻值 (正常脑部传输阻抗范围内) 的负载在各频率点处的相位偏移和幅值偏移, 最后根据不同负载的校正因子确定系统整体的校正因子。
1.3.1 系统各通道的一致性验证
本文采用由精密电阻构成的电阻网络模型, 电路图如图3 (a) 所示。设置激励频率分别为1~10 (增量为1 k Hz) 、20~190 k Hz (增量为10 k Hz) , 共计28 个频率 (以下实验设置相同) , 激励电流设置为1 000 μA, 采集速度为1 帧/s, 每个频率点共采集100 帧数据。
若激励电流频率总数为M=28, 每个频率点上的
i
采集帧数N=50, 每帧数据为:vj (k) , 其中, i=1, 2, …, N表示每个频率点的采集帧数, j=1…M表示频率, k=1, 2, …, 192 表示每帧数据的通道数, 各频率点的各通道测量均值为:vj (k) =N1i=NΣ1vij (k) ;由于电阻网络模型的对称性, 可将每对电极激励下的12 个测量数据分为2 组 (每组6 个数据) , 而且这2 组数据具有对称性, 同理, 每帧数据中有32 组数据具有对称性。 基于此, 各频率点处的总体测量均值为:v軄j (m) =312x=6Σ1y=3Σ21v軃j (x+6y) , 其中, m=1, 2, …, 6。 然后计算各频率的数据与总体均值的比率:rj (k) =v軃j (k) /v軄j (m) , 其中, k=m·n, n=1, 2, …, 32。 最后以各频率处rj (k) 的标准差评价各频率处各通道幅值的一致性误差 (am-plitude channel consistency error, ACCE) , 即:ACCEj=std (rj (1) , rj (2) , …, rj (k) ) , 其中, std (·) 表示·的标准差, 并将ACCE的最大值作为系统各通道的一致性误差 (system amplitude channel consistencyerror, SA-CCE) , 即:SACCE=max (ACCEj) , 其中, max (·) 表示·的最大值。
采用相频校准方法计算各帧数据各通道的相移pji (k) , 其中, i, j, k分别表示采集帧数、频率和通道;各频率处各通道的相移均值为:軈pj (k) =N1i=NΣ1pij (k) , 然后以各频率处各通道相移的标准差评价各通道相移的一致性误差 (phase channel consistency error, PCCE) , 即:PCCEj=std (軈pj (1) , p軈j (2) , …, p軈j (k) ) ;最后计算具有最大PCCE的频率, 并将此频率处各通道相移的标准差与均值的比率作为系统各通道相位的一致性误差 (system phase channel consistency error, SPCCE) , 即:
max (mean (軈pj (1) , p軈j (2) , …, p軈j (k) ) )
其中, mean (·) 表示·的均值。
1.3.2 系统整体校正因子的确定
电极测量的生物阻抗主要包括接触阻抗和生物阻抗, 在低频范围内主要为接触阻抗。 接触阻抗随频率的增大而减小, 但是仍有较大值。 初步的人体实验表明, 脑部的传输阻抗为1~70 Ω (32 电极法) 。 当频率为20~256 k Hz时, 接触阻抗为300 Ω~2.7 kΩ。 为了使电流源的工作接近实际情况, 在进行实验时需考虑接触阻抗的影响, 所以, 本文采用的电路如图3 (b所示, 选择接触阻抗Zc为500 Ω 的电阻。 由于课题组采用16 电极法, 理论上传输阻抗范围应为2~140 Ω本文在2~140 Ω 内选择9 个精密电阻作为负载, 各电阻的阻值由精密阻抗分析仪 (Agilent 4294, PalAlto, USA) 进行测量。 系统与电极之间的导线的长度为1 m, 采用电极对 (1-9) 驱动, 电极对 (2-3) 测量负载上的电压, 每个频率点采集100 帧数据。
1.4 验证校准方法
为了验证校准方法的有效性, 开展盐溶液物理模型实验和多频电阻抗成像实验。
1.4.1 盐溶液物理模型实验
本实验采用的物理模型是内径为205 mm的半球形有机玻璃容器, 容器内壁等间距地安放16 个电极。 盐溶液的质量分数为0.05% (盐溶液的阻抗频谱特性与电阻相同, 测量信号应只具有实部值, 且在频带内稳定不变, 而虚部值为0) , 激励电流为750 μA每个频率点采集100 帧数据。
1.4.2 多频电阻抗成像实验
本实验采用1.4.1 所述的物理模型, 盐溶液的质量分数为0.04%, 成像目标为胡萝卜 (其阻抗随频率变化) , 电流的激励频率为750 μA。 然后分别对校准前后的2 种不同频率下的测量电压 (Vw1, Vw2) 的差值 (ΔV=Vw2-Vw1) 进行成像, 成像算法采用课题组提出的阻尼最小二乘重构算法[8], 即:
Δρ=[STS+λR]-1STΔV
其中, S为敏感性矩阵, λ 为正则化参数 (文中选择 λ=0.1) , R为正则化矩阵, R=diag (STS) 。
2 结果
2.1 获取系统校正因子
2.1.1 电阻网络的测量结果
从图4 (a) 可以看出, ACCE在190 k Hz处达到最大值, SACCE<0.22%。 从图4 (b) 可以看出, PCCE随着频率的升高而增加, 在190 k Hz处达到最大值, SPCCE<2%。 因此, 系统的各通道具有很好的一致性, 可通过单通道数据计算校正因子。
2.1.2 单通道不同阻值电阻的测量结果
图5 分别是负载为不同阻值的幅频和相频校正因子。 从图5 (a) 中可以看出, 不同阻值之间的幅频校正因子的差异 (标准差) 在190 k Hz处达到最大值 (0.003 5) , 但是偏差 (标准差/均值) 小于0.36%。 所以, 本文将所有阻值的幅频校正因子的均值作为系统的幅频校正因子。
从图5 (b) 中可以看出, 不同阻值之间的相频校正因子的差异随频率的增加而变大, 在190 k Hz处达到最大值 (1.16°) , 但是偏差小于0.83%。 所以, 本文将所有阻值的相频校正因子的均值作为系统的相频校正因子。
2.2 验证校准方法
2.2.1 盐溶液物理模型实验
采用2.1 节所获取的幅频校正因子和相频校正因子校准物理模型实验中采集的数据, 图6 为测量
数据校准前后的结果。 从图中可以看出, 校准前实部和虚部存在负值, 其值随频率的改变发生较大变化校准后, 实部值远大于虚部 (10 倍以上) , 而且实部数据在频带内变化较小 (0.8%以下) 。
2.2.2 多频电阻抗成像实验
选择1 k Hz和150 k Hz的模值和实部数据进行成像, 成像结果如图7 所示。 结果表明, 校准前的模值成像结果中虽然可以反映目标, 但是存在较多伪
影, 实部成像结果中无法对目标进行定位;校准后模值和实部成像结果中的目标清晰, 伪影较少, 能较好地反映目标信息。
3 讨论
电阻网络实验结果表明, 系统的SACCE和SPCCE都较小, 说明系统各通道之间具有很好的一致性, 所以, 可通过单通道数据计算系统的幅值偏差和相位偏差;从单通道数据结果可以看出:当负载在正常脑部传输阻抗范围内时, 不同阻值负载之间的校正因子差别较小。 因此, 本文将所有负载的校正因子的均值作为系统的校正因子, 而在实际中, 可通过单通道单一电阻 (阻值在正常脑部传输阻抗范围内对系统进行校准。 此研究大大简化了校准过程, 同时保证了校准的可靠性。
为了验证校准因子的准确性, 本文开展了盐溶液实验。 实验结果表明:校准后的数据质量比校准前明显得到改善, 实部值在频带内基本稳定。 尽管随着频率的升高, 虚部值有所增加, 但相比实部值较小。校准后的数据的虚部在高频 (>100 k Hz) 仍有一定值, 产生的原因可能是系统的电极引线和单通道测量实验中的电极引线不同。 因此, 应考虑一些降低高频误差的方法, 例如增加屏蔽或者尽量缩短电极引线[9]。 针对与校准实验所用差异 (长度、屏蔽层等) 较大的电极线, 应根据具体的实际测量数据计算校正因子。
在多频成像实验中, 校准后的模值图像质量明显优于校准前, 证明了幅频校正因子的有效性;校准前的实部图像不能反映目标, 而在校准后的图像中, 目标清晰, 验证了相频校正因子的有效性。在实际中, 针对每套系统可预先通过校准方法得到幅频和相频校正因子, 并将其存储在计算机内, 在以后的应用中可直接利用校正因子对测量数据进行校准。
总之, 本文针对MFEIT对硬件采集系统的要求提出了一种简便、 有效的系统的幅频特性和相频特性的校准方法, 根据实验确定了幅频和相频校正因子, 并通过物理模型实验验证了校准方法的有效性为未来将多频电阻抗成像技术应用于临床奠定了良好的基础。
参考文献
[1]董秀珍.生物电阻抗成像研究的现状与挑战[J].中国生物医学工程学报, 2008, 27 (5) :641-643.
[2]廖琪梅, 徐玉乔, 董秀珍, 等.乳腺癌及周围组织电阻抗频谱特性与其病理学特征的研究[J].生物医学工程与临床, 2008, 12 (24) :263-266.
[3]Geddes L A, Baker L E.The specific resistance of biological materials:a compendium of data for the biomedical engineer and physiologist[J].Med Biol Eng, 1967, 5:271-293.
[4]史学涛, 尤富生, 霍旭阳, 等.高精度电阻抗断层成像数据采集系统[J].数据采集与处理, 2010, 25 (2) :256-263.
[5]史学涛, 董秀珍, 秦明新, 等.用于电阻抗多频及参数成像数据采集系统的正交序列解调法[J].第四军医大学学报, 2000, 21 (7) :164-166.
[6]Cook R D, Saulnier G J, Gisser D C, et al.ACT3:A high speed, high precision electrical impedance tomography[J].IEEE Trans Biomedical Engineering, 2002, 4 (8) :713-722.
[7]McEwan A, Cusick G, Holder D S.A review of errors in multi-frequency EIT instrumentation[J].Physiol Meas, 2007, 28:S197-S215.
[8]Canhua Xu, Meng Dai, Fusheng You, et al.An optimized strategy for real-time hemorrhage monitoring with electrical impedance tomography[J].Physiol Meas, 2011, 32 (5) :585-598.
[9]Huaxiang Wang, Chao Wang, Wuliang Yin.Optimum design of the structure of the electrode for a medical EIT system[J].Meas Sci Technol, 2001, 12:1 020-1 023.
多频率电阻抗断层成像 篇2
电阻抗断层成像(electrical impedance tomography,EIT)技术由于具有无创、低成本、操作简便、功能成像和实时连续监护的特点,目前已受到国内外临床医学与生物医学界的广泛关注,有望成为床旁图像监护的新手段[1]。其基本原理是通过对被测目标的边界施加激励电流(或电压),获得被测目标的边界电压(或电流),从而计算出被测目标内部的电阻抗变化或分布,进行成像[2]。
颅脑电阻抗成像是EIT技术应用的一个重要方面,对监测颅内出血等颅脑危重病症有重要意义[3]。颅脑EIT技术中的一个关键问题是人脑被电阻率相对较高的颅骨所包围,这使施加在头皮上的注入电流只有小部分才能穿透颅骨进入大脑,造成EIT系统对颅内阻抗信号的灵敏度降低。有研究表明,颅骨影响会使脑功能活动期间预期的2%~5%的阻抗变化衰减为0.2~1%[4]。随着课题组研究的深入,我们发现颅骨非均匀电阻率分布和真实形状对EIT的定位精度和分辨率有显著影响[5],建立基于真实颅骨外形和电阻率分布的头部模型是推动相关研究走向深入的关键环节[6],此类模型国内外尚未见诸报道。
快速成型(rapid prototyping,RP)是一种不断发展的先进制造技术,它由三维CAD(computer aided design)模型直接驱动,能快速制造任意复杂形状的三维实体,目前已在工程和医疗领域得到广泛应用[7]。
本研究基于课题组的前期工作,利用激光快速成型技术和翻模工艺首次制作了近似真实形状和真实电阻率分布的头部物理模型,为颅脑电阻抗成像的进一步深入研究打下基础。
2 材料和方法
2.1 材料
上海硬石膏(上海医疗器械股份有限公司),SI1260阻抗分析仪(英国SOLARTRON公司),婴儿培养箱(YP-970,宁波戴维医疗器械有限公司),64排螺旋VCT(美国GE LightSpeed VCT),激光烧结式快速成型机(AFS360型,北京隆源自动成型系统有限公司),聚-N-邻羟苄叉乙烯基苄胺(poly-N-salicylidenevinylbenzylamine,PSB)树脂(北京隆源公司),藻酸盐印模粉(上海医疗器械股份有限公司齿科材料厂),游标卡尺(精度0.02 mm),直尺,两脚规等。
2.2 方法
2.2.1 制作流程
包含真实形状和电阻率分布的头部物理模型的制作流程如图1所示。
2.2.2 CT数据采集
使用螺旋CT(GE LightSpeed VCT)对无颅骨病变的成年患者进行颅脑扫描,扫描范围包括全部头颅骨。扫描参数为:层厚为0.625 mm,电压120 k V,电流为240 mA。重建数据不压缩,将数据用标准DICOM(digital imaging and communication in medicine)文件格式刻录进光盘保存。
2.2.3 模型的三维重建
应用Geomagic Studio4.0及MIMICS10.0将DICOM图像文件读入,通过对骨组织区域识别、提取和三维叠加,完成颅骨几何模型的三维重建,并对其进行查错修补(如图2(a)所示)。提取重建后的三维图形外表面,并向外生长5 mm厚度作为实验容器的内表面,实验容器厚度设置为5 mm(如图2(b)所示)。另对原来重建的三维图形按照骨缝进行分割,做成分离的颅骨几何模型(如图2(c)所示)。
2.2.4 快速成型机制造
将三维可视模型进行三角形网格划分,输出STL格式的模型文件。用选择性激光烧结(selected laser sintering,SLS)机,以PSB树脂为原料,通过激光照射逐层烧结容器和分离颅骨模型(如图3所示)。
2.2.5 翻制分离颅骨块模型
对快速成型的颅骨模型(以下简称树脂模型)进行表面打磨,消除由于工艺生产造成的毛刺等。用齿科藻酸盐印模材分别制取每块树脂模型的印模,待印模形成后,取出树脂模型,立即以相应水粉比的石膏[7]灌注模型,待石膏凝固后即可脱模(如图4所示)。
2.2.6 拼接模型
将脱模后的各块颅骨的石膏模型进行修正、打磨,然后用相当于骨缝电阻率的石膏将各块石膏模型拼接在一起,形成真实形状和真实电阻率分布的头部物理模型(如图5(a)所示)。将颅骨模型与树脂容器组装,可为下一步的实验提供平台(如图5(b)所示)。
2.3 测量并进行误差分析
2.3.1 模型形态方面的测量和分析
快速成型技术已广泛应用于外科手术中,其精度完全满足临床需要[9],藻酸盐印模材也是口腔修复中常用的精度较高的取模材料,因此本研究在理论上有良好的准确性,但在实际操作时仍存在系统误差,为检测该制作方法的可行性和所得模型的准确性,必须进行测量检验。
颅骨形状的不规则性使量化颅骨的形状比较复杂。为比较所制作模型的准确性,首先确定各标志点。现以左侧顶骨为例,规定冠状缝与矢状缝的内缘交点为A,此处厚度为h1;矢状缝与人字缝的内缘交点为B,此处厚度为h2;顶颞缝与人字缝的内缘交点为C,此处厚度为h3;顶颞缝与蝶骨大翼的内缘交点为D,此处厚度为h4;矢状缝中点到上颞线的直线距离为L;将顶骨的凹面朝下放在水平面上,此时凸面的高度为H1,矢状缝外缘中点的高度为H2,顶颞缝外缘中点的高度为H3(如图6所示)。标志点的直线距离作为测量线。为确保标志点及测量结果的同一性,所有模型的标志点均由作者本人在同一时间标定,所有测量均由作者一人先测量2次,隔日再测量2次,取其平均值以减小测量误差。将树脂模型和石膏模型的测量数据进行比较分析。其他各块颅骨模型测量方法类似。
2.3.2 模型电阻率分布的测量和分析
在灌注每一块颅骨石膏模型的同时,用相同水粉比的石膏灌注6个圆柱体,编为一组,测量圆柱体的电阻率就可以得出相应石膏模型的电阻率。石膏柱长为70 mm,直径为29 mm。用婴儿培养箱控制温湿度,通过SI1260阻抗分析仪测量石膏柱的阻抗值。测量条件:温度为(36.5±1.5)℃,湿度为(60±2)%RH,激励电流为0.1 mA,扫频范围为100 Hz~100 kHz。将每一组的测量数据与相应颅骨的真实值[10]做单样本检验(使用SPSS12.0统计软件),分析石膏模型的电阻率与真实颅骨电阻率的差异。
3 结果
3.1 形态
从外观上看,石膏模型和树脂模型高度相似,石膏模型完整逼真地呈现出整个树脂模型,如图3所示。但某些边缘细节会由于灌注时残留的石膏而变得尖锐或者光滑。
模型形态方面的测量结果如表1所示。通过对石膏模型和树脂模型相应测量值的比较,可见差值的绝对值小于0.60 mm,差值总的平均值为-0.20 mm,数值无明显差异,可以满足实验需要。
mm
3.2 电阻率
每块石膏颅骨对应电阻率的测量值如表2所示。由此可见,在显著性水平α为0.05时,差异无显著性,可以认为各石膏模型的电阻率能代表真实颅骨的电阻率。
4 讨论
制作颅骨模型的材料须满足以下条件:材料与颅骨的电阻率值要接近;材料的电阻率时间稳定性要好,可以长期使用;电阻率空间分布均匀;材料要尽可能地易于获取和加工成型。与导电橡胶、金属等材料相比,口腔修复用的石膏具有易于加工、不易变形等特点[11],并能通过改变水粉比来得到不同的电阻率[8],因此本研究采用石膏来制作颅骨模型。
利用石膏制作真实形状和真实电阻率分布的颅骨模型,首先需要能制作精确的印模。快速成型技术自20世纪80年代问世以来,在成型系统、材料方面有了长足的进步,同时推动了快速制模技术(rapid tooling,RT)和快速制造技术(rapid manufacturing,RM)的发展。快速成型技术具有速度快、成本低、精度高、取材广泛、高度集成、适于加工各种形状等突出优点,广泛用于机械制造和医疗等领域,取得了良好的社会效益和经济效益[12]。快速成型的方法多达10余种,目前应用较多的有光立体化固化(stereo lithography apparatus,SLA)、分层实体制造(laminated object manufacturing,LOM)、选择性激光烧结(selective laser sintering,SLS)、熔积成型(fused deposition modeling,FDM)等。综合考虑原型精度、常用材料、制作成本等因素[13],本研究采用选择性激光烧结法来制作树脂模型,制作精度可达0.1 mm[14]。高精度的树脂模型为制作准确的印模提供了条件。
口腔修复中常用的印模材有藻酸盐、硅橡胶、琼脂等类型。由于藻酸盐印模材具有价格便宜、制作方便、精度较高等优点[15],因此本研究将其作为制作印模的首选。但在制作过程中要掌握好时间,及时灌注石膏,防止印模脱水而引起变形。颅骨模型的整个制作过程利用了现代先进的快速成型技术,并借鉴口腔修复的相关工艺,降低了问题的复杂性,制作方法简单,节省时间,模型形态清晰,范围完整。制作的树脂模型还可以重复利用。研究结果进一步证明了这种方法的可行性和有效性。
在下一步的研究中,可以基于此模型比较半球形颅骨模型和真实模型对EIT成像精度和分辨率的影响;进行颅内出血等临床疾病的模拟,并用EIT监测以证明其在该方面监护的可行性和有效性。
5 结论
本研究不同于传统制作模型的方法,首先采用快速成型技术制作颅骨的树脂模型,然后用藻酸盐印模材对树脂模型取模,并用不同水粉比的石膏灌注成型,最后将各块颅骨模型拼接,制作过程节省时间、降低成本。从研究结果看,此模型比较接近真实形状和电阻率分布,为脑部电阻抗断层成像的研究提供了一个实验平台,有利于开展进一步的相关研究。
摘要：目的:研究制作近似真实形状和电阻率分布的颅骨物理模型的方法,为电阻抗断层成像的相关研究提供更加准确的实验平台。方法:采集颅骨的CT图像,用快速成型机制作出树脂模型,然后将每一块树脂模型翻制成不同电阻率的石膏模型并将其黏合成完整的颅骨模型,最后测量分析模型的精确性。结果:首次制作了近似真实形状和真实电阻率分布的颅骨模型,外形差异平均值为0.20 mm,模型电阻率值与真实值无明显差异(P>0.05)。结论:所做模型可满足实验需要,有利于开展脑部电阻抗断层成像的深入研究。
多频率电阻抗断层成像 篇3
电阻抗断层扫描成像(Electrical Impedance Tomography, EIT)是现今科学界的热门研究课题之一,具有非侵入式测量、无损成像、结构简单、操作方便、可重复使用等突出特点。 它的基本原理是利用由于不同物体或不同组织在不同条件下具有不同阻抗的特性,通过向物体施加电流来测量物体表面的电压数据,然后通过一定的图像重建算法最终得到物体内部的阻抗图像信息[1,2,3]。
电极是EIT系统中的关键部分,是敏感单元,因此,其分布的合理性直接影响到后期的数据分析和图像重建。 胡理[4]对电阻成像和电容成像的三维电极分布进行了类似的研究,虽未涉及三维EIT的电极分布,但是却提供了研究思路。本文是在前期对三维EIT系统中的电极占空比、 电极形状及电极的激励测量模式进行了探究的基础上,进一步深入研究电极在物场边界的分布对成像质量的影响[5]。
1材料与方法
本文提出6种不同电极分布的模型。构建圆柱体模型, 直径为0.12 m,高度为0.24 m,背景电导率0.4 S/m ;设计2层电极,每层16个电极,分别位于距底面0.08和0.16 m位置,电极半径为0.0025 m,电极厚度0.003 m,电极材料为钛 ;两个成像目标直径为0.02 m,等距位于圆心28 mm位置且成对角分布,电导率分别为0.004、40 S/m,激励电流密度为5 A/m2。
本文提出6种电极分布模型 :1标准分布 :每层的16个电极均匀分布于同一水平面,上下两层电极相对于0.12 m高度的圆柱体横截面对称,是最为常见的电极布置方式, 见图1(a) ;2 W分布 :上层16个电极均匀分布于同一水平面,下层16个电极同步错开上层电极间距的1/2,见图1(b) ;3双层小波纹分布 :每层16个电极等间隔均匀分布,奇数号电极所在水平面为基准面,偶数号电极水平面下降0.0025 m,上下2层电极均如此分布,见图1(c) ;4双层大波纹分布 :与第3种分布类似,但两层电极的层间距增大,偶数号电极水平面下降0.02 m,见图1(d) ;5单层小波纹分布 :与双层小波纹分布类似,仅上层的偶数号电极水平面下降0.0025 m,下层电极全部处于同一水平面, 见图1(e) ;6单层大波纹分布 :与双层大波纹分布类似, 上层的16个电极均匀分布,以奇数号电极所在水平面为基准面,偶数号电极水平面下降0.02 m,下层电极全部保持处于同一水平面,见图1(f)。
2结果
2.1边界测量电压分布对比
本文选择非同层准对角激励模式[6],即2个激励电极分别取自上下两层电极平面,且只相差一个电极就成为非同层相对模式。在此模式下,激励16次,每次28个数据, 共448个数据。经COMSOL软件建立模型后,由MATLAB求解逆问题,获得灵敏度矩阵、空满场参考电势等数据, 其空场边界测量电压的分布曲线,见图2。
标准分布与W分布下,边界测量电压曲线光滑、连续, 说明场内电流密度分布均匀 ;双层小波纹和双层大波纹分布模式下,激励电极临近的测量曲线有一定的波动,说明场内激励电极附近的电流密度分布不均匀 ;双层大波纹分布的边界电压曲线出现明显的大幅的波动,因此电流场均匀性明显下降。由此可以初步得到标准分布与W分布模式相对要好一些。
2.2评价指标对比
根据相关系数(Correlation Coefficient,CC)和相对误差(Relative Error,RE)两项指标对仿真数据进行进一步客观评价。
在EIT成像中,CC以如下公式给出 :
其中,为相关系数,为电导率的真实值,为电导率的设定值,与分别为真实值的平均值和设定值的平均值。由此可见,相关系数越大,图像质量越好。
RE为真实值和设定值的差与设定值的比,定义如下 :
其中,为相对误差,为真实值,为设定值,该值越小说明图像质量越好。
共轭梯度算法的成像效果与迭代次数有关,因此取迭代次数分别为100、200、300时求得相关系数和最大相对误差的成像数据,见表1。
不同迭代次数下两种评价指标的折线图,见图2。标准分布、W分布和单层小波纹分布的相关系数相对较大 ; W分布的三种迭代次数中相对误差均比其他五种分布情况要小,可预知W分布的成像效果较好。
2.3成像结果
6种三维电极分布模型的重建图像,见表2。每个模型自下而上均匀间隔取5层截面成像,迭代次数为100。
W分布与标准分布的总体成像效果较好,可以较清晰地显示场域内目标物的信息。其他模式下的成像效果较差,目标物模糊或成像伪影严重。从每层成像效果看,下3层图像相对清晰可反映出场域内实际物体分布情况,双层大波纹分布与单层大波纹分布在每层的成像结果均不理想。
3讨论
在对以上6种三维电极分布模型的边界电势、评价指标及最终的成像结果对比分析,W分布有着较好的性能指标和成像效果。电极的分布影响场域内部电流密度的均匀性,采用电极水平相错的W分布,电流密度分布更加均匀,使物体内部敏感场的强度增强,提高了重建图像的质量。
多频率电阻抗断层成像 篇4
电阻抗断层成像 (electrical impedance tomography, EIT) 是一种新型的生物医学成像技术。通常, EIT系统通过16个甚至更多的电极向人体施加正弦电流激励, 并测量边界电压, 通过在有限元模型上求解逆问题, 将测得的边界电压转换成阻抗分布图像, 反映人体内生理、病理变化[1]。因此, 电极采集到的数据质量和图像质量密切相关[2]。
在临床应用中, EIT监护电极受患者的体动、医护人员的操作以及电极本身的原因等因素影响, 会出现接触不良甚至脱落的情况[3,4]。对于长时颅脑EIT监护, 这种现象更为常见。因此, 在临床和实验中, 需要一种有效的方法对非正常连接进行自动判断, 以便医护人员及时处理, 尽可能减少数据损失。
国外研究人员已经展开了类似研究。Asfaw基于15电极的成像算法, 通过评价实测边界电压数据和通过正问题计算估计的边界电压数据的一致性, 实现了脱落电极的位置检测。但是, 该方法需要进行电极数量几何倍数的正向问题和反向问题运算, 计算复杂, 不宜作为实时的检测算法, 而且受到成像算法的限制, 仅能对单个脱落电极进行可靠的检测[5,6]。Harting利用互易定理, 提出了一种对脱落电极的实时检测方法。虽然该方法实现了多个 (2~4个) 脱落电极的检测, 但是需要额外采集互易数据, 增加了程序设计的复杂性。而且, 该方法在对向激励邻近测量模式下, 当有2个以上电极脱落时, 检测正确率不足30%[7]。因此, 以上算法均不能实现对向激励邻近测量模式下的多个脱落电极的实时准确检测。
针对本课题组设计使用的EIT系统, 本文基于相关系数, 提出了一种EIT电极接触不良实时检测方法。该方法能同时判断多个电极非正常连接, 速度快、判断准确, 与图像的显示更新同步, 检测出来的脱落电极和实时图像对应。
1 材料与方法
1.1 EIT数据测量原理
EIT系统共有16个电极, 采用对向激励、邻近采集的工作模式, 测量原理如图1所示。在某一时刻, 系统将一对对向电极作为激励电极, 施加恒流源激励, 其余相邻电极作为测量电极, 可得到16个边界电压数据;在下一时刻, 相邻的另一对对向电极作为激励电极, 其余相邻电极作为测量电极, 如此循环16次, 测得的边界电压值形成一帧数据 (256个) 。其中, 由于激励电极接触阻抗未知, 所以将与激励电极相邻的测量通道置为0, 因此每帧数据中包含192个有效数据。
1.2 非正常连接电极的实时检测方法
1.2.1 非正常连接电极的检测原理
由于电流在颅内的传导特性, 距离激励电极越远, 测得的边界电压值越小, 因此单帧数据在形态上相似, 正常的一帧数据解调后呈连续的“U”分布, 信号水平稳定, 如图2 (a) 所示;当有电极出现脱落或接触不良时, 以4号电极为例, 当4号电极为正激励电极时, 由于整个颅脑失去激励源, 信号水平大大降低, 如图2 (b) 所示;在0~8电极为驱动电极的情况下, 由于4号电极脱落, 在恒流源激励下, 包含4号电极的测量电极对检测不到相应的激励信号, 相应的测量通道信号水平明显降低并趋近于0, 如图2 (c) 所示;由于理想的恒流源不存在, 该电极作为负驱动电极时脱落, 相当于加载了一个无穷大电阻, 其分压作用导致信号幅值降低, 其对应的16个数据呈单“U”分布[8], 如图2 (d) 所示。
基于正常采集数据的形态相似性, 正常连接电极与非正常连接电极之间信号水平存在明显差异, 可以采用加权相关系数进行电极好坏的区分。
1.2.2 单个非正常连接电极的检测
根据上述电极数据特征, 可以采用加权相关系数对单个非正常连接电极进行判断。
求S的列均值, 得到相关系数均值向量s=[s0, s1, …, s15]。
理论上, 以脱落电极为负驱动电极时对应的相关系数均值小于正常驱动电极对相关系数均值, 但是受到环境和硬件条件等的影响以及相关系数本身取值范围较小的限制, 为了方便阈值的选取, 提高检测的准确性, 使用测量通道数据对相关系数进行加权, 用电极变异系数 (electrode variation coefficient, EVC) 反映电极的连接状态, 即
式中:i为检测电极编号;k为检测电极作为负驱动电极时对应的相关系数编号;D (i, 1) 和D (i+1, 1) 对应测量数据矩阵D第1列包含i号电极的测量值。
当i号电极脱落时, 其左右2个测量通道的值趋近于零, 因此设定阈值T, 当EVCi>T时, 即判定i号电极脱落。一般情况下, 选取T=10。
1.2.3 多个非正常连接电极的检测
在固定驱动电极对下, 使用上述计算式可以有效检测该驱动电极对对应的测量电极连接是否正常。但是, 如果有多个电极脱落, 特别是出现“非正常连接—正常连接—非正常连接”的情况时, 判定中间目标电极所用的测量通道值D (i, 1) 和D (i+1, 1) , 由于包含了目标电极两侧的脱落电极, D (i, 1) 和D (i+1, 1) 会趋向无穷小, 和目标电极脱落的情况相类似。因此, 单纯使用测量通道值进行加权, 会使得中间的正常连接电极被判定为非正常连接电极, 需要对这种情况加以排除。
为简化判断逻辑、减少计算量、提高判断的准确性, 使用循环检测的方法简化检测过程。在一对驱动电极对下, 只计算与正激励电极相隔3个电极位的测量电极的EVC (如图3所示) , 在4号电极为正激励时, 计算0号电极和8号电极的变异系数。
考虑到非正常连接电极为正 (负) 驱动电极时的幅值特性, 计算一帧数据矩阵D∈R16×16的列均值, 得到边界电压均值向量ave=[ave0, ave1, …, ave15], 重新计算EVCi, 即
式中:i为检测电极编号;j为正驱动电极编号;k为i号电极为负驱动电极时对应的边界电压均值编号。
当EVCi>T时, i号电极连接不正常。一般地, T0=T。
综上所述, 非正常连接电极的检测方法总结为
当EVCi>T时, 即对应的i号电极连接不正常, 需要及时处理。选取T=10。
1.3 验证检测方法
为了验证检测方法的有效性, 开展盐溶液物理模型实验和人体实验。在实验过程中选定电极脱落来模拟非正常连接的情况。
1.3.1 盐溶液物理模型实验
本实验使用内径为206 mm的半球形有机玻璃容器, 容器内壁等间距安放16个电极。容器内盛体积分数为0.05%的盐溶液, 激励电流500μA, EIT系统采集速度为1帧/s。
1.3.2 人体实验
为了验证实际测量环境中检测方法的有效性, 开展相应的人体实验, 实验对象为一名健康志愿者, 该实验得到了第四军医大学人体实验道德伦理委员会的批准。激励电流幅值为500μA, EIT系统采集速度为1帧/s。
2 结果
2.1 物理模型实验结果
使用水槽物理模型进行非正常连接电极检测方法的验证 (如图4所示) 。实验结果如图5所示, 图5 (a) 中4号电极脱落, 图
5 (b) 中4、5号电极脱落, 图5 (c) 中4、6号电极脱落, 图5 (d) 中4、5、6号电极脱落, 脱落电极的EVC明显高于正常连接电极, 在水平上, 可以准确地区分出脱落电极和正常连接电极。实验结果表明, 该方法排除了“非正常连接—正常连接—非正常连接”情况下会将中间的正常连接电极判定为脱落电极的情况, 如图5 (c) , 在4、6号电极脱落的情况下, 5号电极没有被判定为脱落电极。
2.2人体实验结果
对正常志愿者进行非正常连接电极检测实验 (如图6所示) 。在采集数据过程中, 实验结果如图7所示。图7 (a) 中5号电极脱落, 图7 (b) 中5、7号电极脱落, 图7 (c) 中5、6、7号电极脱落, 图7 (d) 中1、5、6、7号电极脱落, 脱落电极的EVC高于正常连接电极。在阈值T=10的水平上, 可以很好地将正常连接电极和非正常连接电极区分开来, 并且在5、7号电极脱落的情况下没有将6号电极判定为脱落电极 (如图7 (b) 所示) , 而且能同时准确检测到1、5、6、74个电极同时脱落的情况 (如图7 (d) 所示) 。人体实验结果和物理模型实验结果一致, 该检测方法不仅适用于稳定的物理模型平台, 也适用于相对复杂的人体实测环境。
3讨论
盐溶液物理模型实验和人体实验表明, 该方法可以快速有效地对多个非正常连接的电极进行实时检测, 证明了该方法的有效性。与文献已经报道的方法相比, 不需要进行复杂的正逆问题计算, 简化了计算过程;也不需要额外采集数据, 避免了复杂的硬件系统改进和程序设计。通过循环检测的方法简化了判断的流程, 直接利用现有的测量数据, 对电极的连接是否正常进行快速判断, 更适用于对向激励—邻近测量的激励测量模式。
检测电极连接是否正常的最终目的是为了保证EIT的数据质量。本文的方法实际上对电极系统采集的一维数据进行了二值化评估, 协助操作人员排除故障, 保证数据质量。国外Mamatjan最新提出了使用百分化量化评估整体数据质量[9], 因此可以在进一步的研究中, 在电极接触正常的前提下, 对电极系统采集的数据质量进行更精确的评估。
此外, 检测出非正常连接电极后, 可以对这些电极进行数据补偿。当前的数据补偿方法都需要以采集数据作为先验信息从而构建数学模型推测出正常数据[10], 但是针对EIT系统而言, 如果先验数据中不包含监测的目标信息, 则之后的重构数据同样无法反映目标信息。因此, 该数据补偿方法仍需要进一步研究。
总之, 本文针对当前临床颅脑EIT监护的实际需求提出了一种快速的多个非正常连接电极的实时检测方法。通过物理模型实验和人体实验验证了检测方法的有效性, 为EIT的临床应用奠定了可靠的数据基础。
摘要：目的:研究一种适用于电阻抗断层成像 (electrical impedance tomography, EIT) 系统的多电极非正常连接的实时检测方法, 便于及时发现不良电极, 减少因电极造成的数据损失, 为EIT提供可靠的成像数据。方法:基于正常测量数据的相似性, 利用采集的测量数据计算电极的相关系数并加权后循环判断, 实现非正常连接电极的检测, 并开展物理模型实验和人体实验验证方法的有效性。结果:物理模型实验和人体实验结果表明, 该方法能准确地检测出多个脱落电极, 并能够有效避免正常电极被误判为非正常连接的情况。结论:该方法是一种有效的非正常电极的实时检测方法。
关键词：电阻抗断层成像,电极,加权相关系数
参考文献
[1]董秀珍.生物电阻抗成像技术进展[J].常规医疗装备, 2004, 3 (4) :34-38.
[2]Soleimani M, Gómez-Laberge C, Adler A.Imaging of conductivity changes and electrode movement in EIT[J].Physiol Meas, 2006, 27 (5) :103-113.
[3]Frerichs I.Electrical impedance tomography (EIT) in applications related to lung and ventilation:a review of experimental and clinical activities[J].Physiol Meas, 2000, 21 (2) :1-22.
[4]Al-Hatib F.Patient-instrument connection errors in bioelectrical impedance measurement[J].Physiol Meas, 1998, 19 (2) :285-296.
[5]Asfaw Y, Adler A.Automatic detection of detached and erroneous electrodes in electrical impedance tomography[J].Physiol Meas, 2005, 26 (2) :175-183.
[6]Adler A.Accounting for erroneous electrode data in electrical impedance tomography[J].Physiol Meas, 2004, 25 (1) :227-238.
[7]Hartinger A A, Guardo R, Adler A, et al.Real-time management of faulty electrodes in electrical impedance tomography[J].IEEE Trans Biomed Eng, 2009, 56 (2) :369-377.
[8]史学涛, 秦明新, 尤富生, 等.用于电阻抗多频及参数成像数据采集系统的正交序列解调法[J].第四军医大学学报, 2000, 21 (7) :164-166.
[9]Mamatjan Y, Grychtol B, Gaggero P, et al.Evaluation and real-time monitoring of data quality in electrical impedance tomography[J].IEEE Trans Med Imaging, 2013, 2 (11) :1 997-2 005.