一种基于电阻抗流-固耦合成像的新生儿肺泡群状态评估系统及方法

摘要: 本发明属于智能医学信息软件这一,具体涉及一种基于电阻抗流-固耦合成像的新生儿肺泡群状态评估系统及方法。背景技术:1、新生儿,尤其是早产儿,其肺泡处于快速发育和结...
一种基于电阻抗流-固耦合成像的新生儿肺泡群状态评估系统及方法

本发明属于智能医学信息软件这一,具体涉及一种基于电阻抗流-固耦合成像的新生儿肺泡群状态评估系统及方法。

背景技术:

1、新生儿,尤其是早产儿,其肺泡处于快速发育和结构重塑阶段,局部肺泡通气不足、肺泡壁顺应性异常及区域过度膨胀等状态可导致肺部通气分布不均,并增加支气管肺发育不良等慢性肺部疾病的发生风险(如:d. e. hurtado, n. avilés-rojas, f.concha, "multiscale modeling of lung mechanics: from alveolar microstructureto pulmonary function" [j] journal of the mechanics and physics of solids,vol.179, no.1, pp.105364, 2023)。而获取新生儿的异常肺泡群体积占比以及其空间分布,能够为临床提供以下关键信息:(1)定量评估肺部通气功能受损的总体程度,通过异常肺泡群体积占比直观反映全肺功能状态;(2)为支气管肺发育不良的早期预警、呼吸机相关肺损伤的床边监测以及个体化呼吸支持方案的优化提供直接的量化依据。

2、eit作为一种非侵入式、无辐射的医学检测方法(如:a. a. rostam-alilou, h.r. jarrah, a. zolfagharian, m. bodaghi, "fluid–structure interaction (fsi)simulation for studying the impact of atherosclerosis on hemodynamics,arterial tissue remodeling, and initiation risk of intracranial aneurysms,"[j]biomechanics modeling in mechanobiology, vol.21, no.5, pp.1393-1406,2022.)。但是,传统eit技术受软场效应和逆问题病态性的固有限制,难以直接对单个真实肺泡进行成像或参数测量。而流固耦合模型(fluid-structure interaction, fsi)可用于描述气体进入肺泡、肺泡壁受压扩张及组织力学响应之间的关系,但传统流-固耦合模型通常针对单个肺泡或理想化肺泡结构进行数值仿真,缺少来自真实新生儿肺通气过程的区域化驱动信息,难以直接应用于连续床旁监测。

3、因此,将eit与fsi结合在一起,实现新生儿肺泡发育状态的精准评估成为一种新的技术路线。

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,提供一种基于电阻抗流-固耦合成像的新生儿肺泡群状态评估系统。

2、本技术的另一目的在于提供一种基于电阻抗流-固耦合成像的新生儿肺泡群状态评估方法。

3、本技术的技术方案在于:

4、一种基于电阻抗流-固耦合成像的新生儿肺泡群状态评估系统,其包括:

5、数据存储模块,其存储k个实体单元的每个实体单元在完整呼吸周期内对应的电导率变化量-时间关系数据集;实体单元为待评估者肺部eit仿真模型区域进行三维有限元网格剖分离散成的实体单元;

6、局部肺泡群等效参数辨识模块,其读取数据存储模块的各个实体单元的电导率变化量-时间关系数据集,对每个实体单元分别求解等效充气阻力参数、等效扩张弹性参数和等效电学响应参数;

7、分类评估模块,其包括:流-固-电耦合特征组处理单元、多分类模型、类别确定单元;

8、流-固-电耦合特征组处理单元,其读取局部肺泡群等效参数辨识模块以及数据存储模块的信息来建立各实体单元的流-固-电耦合特征组;

9、各实体单元的流-固-电耦合特征组输入到训练好的多分类模型,得到各实体单元的低通气或压缩型、正常通气型和过度膨胀型肺泡群的类别概率;

10、类别确定单元根据最大类别概率来给出各实体单元对应的局部肺泡群的类别;

11、结果输出模块,其接收分类评估模块输出的各实体单元的类别结果,其输出异常肺泡群体积占比和/或肺泡群类别空间异质性。

12、进一步,局部肺泡群等效参数辨识模块的工作方法为:根据每个实体单元在完整呼吸周期内对应的电导率变化量-时间关系数据集来求解每个实体单元的等效充气阻力参数、等效扩张弹性参数和等效电学响应参数;每个实体单元对应一个局部肺泡群;

13、对于任意第i个实体单元而言,等效充气阻力参数req,i、等效扩张弹性参数keq,i和等效电学响应参数zeq,i的求解包括以下子步骤:

14、步骤a,设定req,i、keq,i、zeq,i的搜索范围为:[rmin,rmax]、[kmin,kmax]、[zmin,zmax];

15、步骤b,参数赋值:粒子群规模np、最大迭代次数qmax、惯性权重ω、学习因子c1和c2;

16、步骤c,随机生成np个粒子,构成初始粒子群;

17、对于任意第s个粒子初始位置向量θi,s(0)、初始速度向量vi,s(0)为:

18、θi,s(0)=[req,i,s(0),keq,i,s(0),zeq,i,s(0)]t;

19、vi,s(0)=[vi,s(0,r),vi,s(0,k),vi,s(0,t)]t

20、req,i,s(0)、keq,i,s(0)、zeq,i,s(0) 分别在[rmin,rmax]、[kmin,kmax]、[zmin,zmax]区间内随机抽取;

21、vi,s(0,r) 在[-(rmax-rmin)/2, (rmax-rmin)/2]区间内随机抽取;

22、vi,s(0,k)在[-(kmax-kmin)/2, (kmax-kmin)/2]区间内随机抽取;

23、vi,s(0,t)在[-(zmax-zmin)/2, (zmax-zmin)/2]区间内随机抽取;

24、步骤d,逐一计算每个粒子的初始适应度值ei,1(0)~ ei,np(0);

25、步骤e,初始化全局最优位置向量gi及全局最优适应度值ebest:将初始适应度值最小的粒子的位置向量确定为gi,该粒子对应初始适应度值确定为ebest;

26、其中,gi表示为[req,i,keq,i,zeq,i]t;

27、步骤f,迭代计算;

28、步骤f-1,赋值迭代参数q为1,对每个粒子的历史最优位置向量赋值为初始位置向量,即对第s个粒子的历史最优位置向量pi,s-best赋值为θi,s(0),历史最优适应度值ei,s(best)赋值为ei,s(0);

29、步骤f-2,对于第q次迭代,依次更新每个粒子的速度向量和位置向量;对于第s个粒子的速度向量和位置向量,其包括以下子步骤:

30、步骤f-2-1,在[0,1]区间内生成两个随机数r1、r2;

31、步骤f-2-2,计算该粒子在q次迭代中的速度向量vi,s(q)、位置向量θi,s(q):

32、vi,s(q)=ωvi,s(q-1)+c1r1(pi,s-best-θi,s(q-1))+ c2r2(gi-θi,s(q-1));

33、θi,s(q)=θi,s(q-1)+vi,s(q);

34、步骤f-2-3,步骤f-2-2得到的θi,s(q)进行边界约束检查,更新θi,s(q);

35、θi,s(q)表达为:θi,s(q)=[req,i,s(q),keq,i,s(q),zeq,i,s(q)]t;

36、检查req,i,s(q)是否在[rmin,rmax]范围内,若req,i,s(q)小于rmin则将其赋值为rmin,若req,i,s(q)大于rmax则将其赋值为rmax;

37、检查keq,i,s(q)是否在[kmin,kmax]范围内,若keq,i,s(q)小于kmin则将其赋值为kmin,若keq,i,s(q)大于 kmax则将其赋值为kmax;

38、检查zeq,i,s(q)是否在[zmin,zmax]范围内,若zeq,i,s(q)小于zmin则将其赋值为zmin,若zeq,i,s(q)大于 zmax则将其赋值为zmax;

39、步骤f-3,更新每个粒子的历史最优位置向量和历史最优适应度值;对于第s个粒子的历史最优位置向量pi,s-best、ei,s(best)历史最优适应度值历史最优适应度值而言,其确定方法包括以下子步骤:

40、首先,将θi,s(q)代入适应度函数计算其适应度值ei,s(q);

41、其次,ei,s(q)

42、步骤f-4,更新gi以及ebest;

43、所有粒子的第q次迭代后的适应度值计算完毕后,从中选出适应度值最小的粒子,将其位置向量作为全局最优位置向量gi、其对应的适应度值作为ebest;

44、步骤f-5,若q小于等于qmax,则将q+1赋值给q,重复步骤f-2~步骤f-5;

45、否则,结束循环,进入步骤g;

46、步骤g,将gi作为第i个实体单元的最优等效参数向量输出。

47、进一步,θi,s(r)代入适应度函数计算其适应度值ei,s(r),r为0到qmax的任意一个自然数;包括如下步骤:

48、首先,计算第i个实体单元在任意tj时刻的预测电导率变化量;

49、θi,s(r)表示为:θi,s(r)=[req,i,s(r),keq,i,s(r),zeq,i,s(r)]t;

50、

51、其中,△σglobal-tj为任意tj时刻的全肺平均电导率变换量,k表示实体单元的总数,pi分别表示第i个实体单元的体积;utj为任意tj时刻的全肺相对充气驱动量;

52、其次,计算ei,s(r):

53、。

54、进一步,流-固-电耦合特征组处理单元的构建流-固-电耦合特征组的方法是:

55、任意第i个实体单元的流-固-电耦合特征组fi为[req,i,keq,i,zeq,i,ai,τi,hi]t;

56、其中,第i个实体单元对应的局部肺泡群的相对通气幅值ai为:

57、

58、ai是△σi-t0~△σi-tn中的最大值与最小值之差;

59、其中,第i个实体单元对应的局部肺泡群对于呼气末达到最大通气状态的归一化时间延迟τi为:τi=(ti-peak-t0)/(tn- t0+ε),ti-peak为△σi-t0~△σi-tn取最大值对应的时刻;

60、其中,第i个实体单元对应的局部肺泡群与其相邻区域之间的通气差异程度hi为:

61、;

62、其中,n(i)为第i个实体单元相邻的实体单元集合,|n(i)|表示第i个实体单元相邻的实体单元集合的数量。

63、进一步,结果输出模块输出异常肺泡群体积占比的方法是:类别为低通气或压缩型、正常通气型、过度膨胀型的实体单元的集合分别记为x、y、z;

64、低通气或压缩型肺泡群的体积占比ρ1为:

65、

66、正常通气型泡群的体积占比ρ2为:

67、

68、过度膨胀型的体积占比ρ3为:

69、

70、异常肺泡群体积占比ρabn:ρabn=ρ1+ρ3。

71、进一步,结果输出模块输出肺泡群类别空间异质性hcls的方法是:

72、;

73、其中,k为局部肺泡群(实体单元)的总数;

74、其中,n(i):与第i个实体单元相邻的单元集合,|n(i)|表示与第i个实体单元相邻的单元集合的数量;

75、其中,为第i个实体单元的预测类别标签;

76、其中,π(·):指示函数。

77、一种基于电阻抗流-固耦合成像的新生儿肺泡群状态评估方法,包括如下步骤:

78、s100,待评估者肺部eit仿真模型区域进行三维有限元网格剖分离散为k个实体单元,获取每个实体单元在完整呼吸周期内对应的电导率变化量-时间关系数据集;

79、其中,任意第i个实体单元对应的电导率变化量-时间关系数据集为:(△σi-t0,t0),(△σi-t1,t1)…(△σi-tj,tj)…(△σi-tn,tn);t0、tn分别是呼气末、吸气末时刻,△σi-tj是tj时刻对应的第i个实体单元对应的电导率变化量;

80、s200,辨识每个实体单元对应的局部肺泡群等效参数;即获得任意第i个实体单元的等效充气阻力参数req,i、等效扩张弹性参数keq,i和等效电学响应参数zeq,i;

81、s300,每个实体单元都构建流-固-电耦合特征组;

82、第i个实体单元的流-固-电耦合特征组fi为[req,i,keq,i,zeq,i,ai,τi,hi]t;

83、其中,第i个实体单元对应的局部肺泡群的相对通气幅值ai为:

84、

85、ai是△σi-t0~△σi-tn中的最大值与最小值之差;

86、其中,第i个实体单元对应的局部肺泡群对于呼气末达到最大通气状态的归一化时间延迟τi为:τi=(ti-peak-t0)/(tn- t0+ε),ti-peak为△σi-t0~△σi-tn取最大值对应的时刻;

87、其中,第i个实体单元对应的局部肺泡群与其相邻区域之间的通气差异程度hi为:

88、;

89、其中,n(i)为第i个实体单元相邻的实体单元集合,|n(i)|表示第i个实体单元相邻的实体单元集合的数量;

90、s400,针对每个实体单元检测其对应的局部肺泡群类别;

91、将每个实体单元对应的局部肺泡群的流-固-电耦合特征组输入训练完成的多分类模型,得到其属于低通气或压缩型、正常通气型和过度膨胀型肺泡群的类别概率;根据最大类别概率确定每个实体单元对应的局部肺泡群类别;

92、s500,计算低通气或压缩型、正常通气型和过度膨胀型肺泡群的体积占比;

93、类别为低通气或压缩型、正常通气型、过度膨胀型的实体单元的集合分别记为x、y、z;

94、低通气或压缩型肺泡群的体积占比ρ1为:

95、

96、正常通气型泡群的体积占比ρ2为:

97、

98、过度膨胀型的体积占比ρ3为:

99、

100、s600,计算异常肺泡群体积占比ρabn:ρabn=ρ1+ρ3。

101、进一步,还包括步骤s700:计算肺泡群类别空间异质性hcls;

102、;

103、其中,k为局部肺泡群(实体单元)的总数;

104、其中,n(i):与第i个实体单元相邻的单元集合,|n(i)|表示与第i个实体单元相邻的单元集合的数量;

105、其中,为第i个实体单元的预测类别标签;

106、其中,π(·):指示函数。

107、进一步,步骤s100包括以下子步骤:

108、s101,获取待评估者一个完整呼吸周期任意tj时刻的肺部eit边界电压矩阵v(tj);

109、s102,获取待评估者一个完整呼吸周期任意tj时刻的肺部eit边界电压差矩阵△v(tj),△v(tj)= v(tj)- v(t0),v(t0)为呼气末时刻t0的边界电压矩阵;

110、s103,基于△v(tj)获得任意tj时刻的eit肺部仿真模型区域的每个实体单元对应的电导率变化量。

111、进一步,步骤s200包括:对于任意第i个实体单元而言,根据其在完整呼吸周期内对应的电导率变化量-时间关系数据集来求解等效充气阻力参数req,i、等效扩张弹性参数keq,i和等效电学响应参数zeq,i,包括以下子步骤:

112、步骤a,设定req,i、keq,i、zeq,i的搜索范围为:[rmin,rmax]、[kmin,kmax]、[zmin,zmax];

113、步骤b,参数赋值:粒子群规模np、最大迭代次数qmax、惯性权重ω、学习因子c1和c2;

114、步骤c,随机生成np个粒子,构成初始粒子群;

115、对于任意第s个粒子初始位置向量θi,s(0)、初始速度向量vi,s(0)为:

116、θi,s(0)=[req,i,s(0),keq,i,s(0),zeq,i,s(0)]t;

117、vi,s(0)=[vi,s(0,r),vi,s(0,k),vi,s(0,t)]t

118、req,i,s(0)、keq,i,s(0)、zeq,i,s(0) 分别在[rmin,rmax]、[kmin,kmax]、[zmin,zmax]区间内随机抽取;

119、vi,s(0,r) 在[-(rmax-rmin)/2, (rmax-rmin)/2]区间内随机抽取;

120、vi,s(0,k)在[-(kmax-kmin)/2, (kmax-kmin)/2]区间内随机抽取;

121、vi,s(0,t)在[-(zmax-zmin)/2, (zmax-zmin)/2]区间内随机抽取;

122、步骤d,逐一计算每个粒子的初始适应度值ei,1(0)~ ei,np(0);

123、步骤e,初始化全局最优位置向量gi及全局最优适应度值ebest:将初始适应度值最小的粒子的位置向量确定为gi,该粒子对应初始适应度值确定为ebest;

124、其中,gi表示为[req,i,keq,i,zeq,i]t;

125、步骤f,迭代计算;

126、步骤f-1,赋值迭代参数q为1,对每个粒子的历史最优位置向量赋值为初始位置向量,即对第s个粒子的历史最优位置向量pi,s-best赋值为θi,s(0),历史最优适应度值ei,s(best)赋值为ei,s(0);

127、步骤f-2,对于第q次迭代,依次更新每个粒子的速度向量和位置向量;对于第s个粒子的速度向量和位置向量,其包括以下子步骤:

128、步骤f-2-1,在[0,1]区间内生成两个随机数r1、r2;

129、步骤f-2-2,计算该粒子在q次迭代中的速度向量vi,s(q)、位置向量θi,s(q):

130、vi,s(q)=ωvi,s(q-1)+c1r1(pi,s-best-θi,s(q-1))+ c2r2(gi-θi,s(q-1));

131、θi,s(q)=θi,s(q-1)+vi,s(q);

132、步骤f-2-3,步骤f-2-2得到的θi,s(q)进行边界约束检查,更新θi,s(q);

133、θi,s(q)表达为:θi,s(q)=[req,i,s(q),keq,i,s(q),zeq,i,s(q)]t;

134、检查req,i,s(q)是否在[rmin,rmax]范围内,若req,i,s(q)小于rmin则将其赋值为rmin,若req,i,s(q)大于rmax则将其赋值为rmax;

135、检查keq,i,s(q)是否在[kmin,kmax]范围内,若keq,i,s(q)小于kmin则将其赋值为kmin,若keq,i,s(q)大于 kmax则将其赋值为kmax;

136、检查zeq,i,s(q)是否在[zmin,zmax]范围内,若zeq,i,s(q)小于zmin则将其赋值为zmin,若zeq,i,s(q)大于 zmax则将其赋值为zmax;

137、步骤f-3,更新每个粒子的历史最优位置向量和历史最优适应度值;对于第s个粒子的历史最优位置向量pi,s-best、ei,s(best)历史最优适应度值历史最优适应度值而言,其确定方法包括以下子步骤:

138、首先,将θi,s(q)代入适应度函数计算其适应度值ei,s(q);

139、其次,ei,s(q)

140、步骤f-4,更新gi以及ebest;

141、所有粒子的第q次迭代后的适应度值计算完毕后,从中选出适应度值最小的粒子,将其位置向量作为全局最优位置向量gi、其对应的适应度值作为ebest;

142、步骤f-5,若q小于等于qmax,则将q+1赋值给q,重复步骤f-2~步骤f-5;

143、否则,结束循环,进入步骤g;

144、步骤g,将gi作为第i个实体单元的最优等效参数向量输出;

145、其中,θi,s(r)代入适应度函数计算其适应度值ei,s(r),r为0到qmax的任意一个自然数;包括如下步骤:

146、首先,计算第i个实体单元在任意tj时刻的预测电导率变化量;

147、θi,s(r)表示为:θi,s(r)=[req,i,s(r),keq,i,s(r),zeq,i,s(r)]t;

148、

149、其中,△σglobal-tj为任意tj时刻的全肺平均电导率变换量,k表示实体单元的总数,pi分别表示第i个实体单元的体积;utj为任意tj时刻的全肺相对充气驱动量;

150、其次,计算ei,s(r):

151、。

152、本技术的有益效果在于:

153、(1)本技术首次建立了流-固-电三参数耦合等效模型,分别从充气动态响应特性(阻力参数)、扩张形态特性(弹性参数)和电导率变化幅值特性(电学响应参数)三个方面对局部肺泡群进行描述。在求解时,本技术以“第i个实体单元的完整呼吸周期内对应的电导率变化量-时间关系数据集”作为输入值,以“粒子群优化算法在预设生理参数范围内搜索最优参数”来求解等效充气阻力参数req,i、等效扩张弹性参数keq,i和等效电学响应参数zeq,i,实现了局部肺泡群流-固-电耦合等效参数辨识。

154、(2)本技术给出了“异常肺泡群体积占比和肺泡群类别空间异质性”,为全肺通气状态提供了客观量化指标。