以SPECT为标准的盐水造影肺灌注图像重建方法、系统及设备

以spect为标准的盐水造影肺灌注图像重建方法、系统及设备
技术领域
1.本发明涉及智能医疗技术领域，更具体地，涉及一种以spect为标准的盐水造影肺灌注图像重建方法、系统、设备和计算机可读存储介质。


背景技术：

2.eit作为一种床旁无创、连续、动态、无辐射的先进肺通气监测技术，主要通过局部电极施加微弱电流，感应通气过程中胸腔生物电阻抗变化，再利用相应的成像算法来监测肺通气功能状态。本课题组在国内最早地开展了盐水造影eit肺灌注成像相关临床应用研究及研发，区域的阻抗稀释曲线最大下降斜率是目前用来建构肺灌注图像的主要特征参数，但是仍有很大的优化空间，有必要进一步提高成像的准确性。


技术实现要素：

3.基于上述问题，本研究首次提出以spect图像作为标准，开发了一种以spect为标准的盐水造影肺灌注图像重建方法、系统、设备和计算机可读存储介质，用以提高成像的准确性。
4.本技术的目的在于提供一种以spect为标准的盐水造影肺灌注图像重建方法，所述方法包括：获取患者盐水造影电阻抗稀释曲线；将所述患者盐水造影电阻抗稀释曲线输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图；可选的，所述预先训练的深度学习模型采用下列方法构建：获取盐水造影电阻抗稀释曲线及同时期的spect图；采用深度学习模型将所述盐水造影电阻抗稀释曲线生成基于盐水造影重建的spect图；通过所述生成基于盐水造影重建的spect图与同时期的spect图像计算损失，反向传播，更新参数，获得预先训练的深度学习模型。
5.进一步，所述方法还包括提取所述患者盐水造影电阻抗稀释曲线多参数特征，将所述患者盐水造影电阻抗稀释曲线提取的多参数特征输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图；可选的，所述采用深度学习模型将所述盐水造影电阻抗稀释曲线生成基于盐水造影重建的spect图为提取所述盐水造影电阻抗稀释曲线多参数特征，采用深度学习模型将所述提取所述盐水造影电阻抗稀释曲线多参数特征生成基于盐水造影重建的spect图；可选的，所述多参数特征包括下列特征中的一种或几种：曲线最大阻抗下降幅值、曲线下面积、最大斜率、平均传输时间、胸廓形态校正。
6.所述轮廓形态校正为通过测量eit监测断层的胸廓前后径、最大横径、胸围大小来进行胸廓形态校正。目前eit图像主要通过默认的椭圆形轮廓特征来模拟前向模型，通过估
算电极位置和电流分布来计算相对阻抗的信息分布，但每个患者胸廓存在个体差异，在此提出通过测量eit监测断层的胸廓前后径、最大横径、胸围大小等参数特征来进行胸廓形态校正。
7.优选的，所述多参数特征包括下列特征中的一种或几种：曲线最大阻抗下降幅值、曲线下面积、最大斜率、平均传输时间。
8.进一步，所述患者盐水造影电阻抗稀释曲线由各个像素点（区域）的阻抗稀释曲线组成，可以分为：患者盐水造影全局阻抗稀释曲线、患者盐水造影心脏区域阻抗稀释曲线、患者盐水造影肺区域阻抗稀释曲线。
9.进一步，所述深度学习模型为deeplab或unet，更优选的，所述深度学习模型为deeplab v3。
10.进一步，所述提取所述患者盐水造影电阻抗稀释曲线多参数特征为采用机器学习算法提取所述患者盐水造影电阻抗稀释曲线多参数特征，可选的，所述提取所述患者盐水造影电阻抗稀释曲线多参数特征为采用xgboost、svm、逻辑回归、随机森林、gbdt、lightgbm或ann算法中的一种或几种提取所述患者盐水造影电阻抗稀释曲线多参数特征；可选的，所述方法还包括提取所述患者盐水造影电阻抗稀释曲线多参数特征，将所述多参数特征进行特征融合得到特征融合后的特征，将所述特征融合后的特征输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图。
11.进一步，所述方法还包括将所述患者盐水造影电阻抗稀释曲线生成盐水造影eit灌注图像，将所述盐水造影eit灌注图像输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图；可选的，所述预先训练的深度学习模型采用下列方法构建：获取盐水造影电阻抗稀释曲线及同时期的spect图；将所述盐水造影电阻抗稀释曲线生成盐水造影eit灌注图像；采用深度学习模型将所述盐水造影eit灌注图像生成基于盐水造影重建的spect图；通过所述生成基于盐水造影重建的spect图与同时期的spect图像计算损失，反向传播，更新参数，获得预先训练的深度学习模型。
12.进一步，所述患者盐水造影电阻抗稀释曲线生成盐水造影eit灌注图像为利用患者盐水造影电阻抗稀释曲线结合图像重建算法获取盐水造影eit灌注图像；可选的，所述利用患者盐水造影电阻抗稀释曲线结合最大斜率法获取盐水造影eit灌注图像；优选的，获取患者盐水造影电阻抗稀释曲线，提取所述患者盐水造影电阻抗稀释曲线多参数特征，结合图像重建算法获取盐水造影eit灌注图像，可选的，所述多参数特征包括下列特征中的一种或几种：曲线最大下降斜率、曲线下面积、平均传输时间、电阻下降幅度。
13.本技术的目的在于提供一种以spect为标准的盐水造影肺灌注图像重建设备，所述设备包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时，用于执行实现上述的以
spect为标准的盐水造影肺灌注图像重建方法。
14.本技术的目的在于提供一种以spect为标准的盐水造影肺灌注图像重建系统，所述系统包括：获取单元，用于获取患者盐水造影电阻抗稀释曲线；生成单元，用于将所述患者盐水造影电阻抗稀释曲线输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图；模型训练单元，用于预先训练深度学习模型，采用下列方法构建深度学习模型：获取盐水造影电阻抗稀释曲线及同时期的spect图；采用深度学习模型将所述盐水造影电阻抗稀释曲线生成基于盐水造影重建的spect图；通过所述生成基于盐水造影重建的spect图与同时期的spect图像计算损失，反向传播，更新参数，获得预先训练的深度学习模型。
15.本技术的目的在于提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述的以spect为标准的盐水造影肺灌注图像重建方法。
16.本技术的优点：1.目前盐水造影eit法虽然具有较高的准确性但还有很大优化空间，本技术以spect为标准对盐水造影电阻抗稀释曲线重建，获得基于盐水造影重建的spect图；2.考虑到从盐水造影电阻抗稀释曲线数据维度及映射到spect图的困难，本技术还提供一种更优的解决方案，即先结合传统图像重建算法，将患者盐水造影电阻抗稀释曲线生成盐水造影eit灌注图像，再采用深度学习模型将所述盐水造影eit灌注图像生成基于盐水造影重建的spect图；3.考虑现有技术中传统图像重建一般采用最大斜率法获取盐水造影eit灌注图像，但是发明人研究发现盐水增强造影产生的阻抗稀释曲线包含了许多肺灌注相关信息，如曲线最大下降斜率、曲线下面积、最大振幅以及平均传输时间等，故而，本技术还提供一种更优的解决方案，即在盐水造影电阻抗稀释曲线生成盐水造影eit灌注图像时，提取所述患者盐水造影电阻抗稀释曲线多参数特征，提高生成盐水造影eit灌注图像的准确性，进而再采用深度学习模型将所述盐水造影eit灌注图像生成基于盐水造影重建的spect图。
17.附图说明
18.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
19.图1是本发明实施例提供的以spect为标准的盐水造影肺灌注图像重建方法示意流程图；图2是本发明实施例提供的以spect为标准的盐水造影肺灌注图像重建设备示意流程图；图3是本发明实施例提供的以spect为标准的盐水造影肺灌注图像重建系统示意图；
图4是本发明实施例提供的以spect为标准的盐水造影肺灌注图像重建方法过程示意图；图5是本发明实施例提供的盐水造影肺电阻抗稀释时间曲线反映肺区域灌注的主要特征参数图。
20.具体实施方式
21.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
22.在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如s101、s102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
24.图1是本发明实施例提供的以spect为标准的盐水造影肺灌注图像重建方法示意流程图，具体地，所述方法包括如下步骤：s101：获取患者盐水造影电阻抗稀释曲线；在一个实施例中，所述患者盐水造影电阻抗稀释曲线包括患者盐水造影全局阻抗稀释曲线、患者盐水造影心脏区域阻抗稀释曲线、患者盐水造影肺区域阻抗稀释曲线；在一个具体实施例中，获取患者盐水造影肺灌注区域阻抗稀释曲线，所述肺灌注区域根据不同划分方法划分成不同子肺灌注区域；可选的，所述子肺灌注区域包括右腹侧、左腹侧、右背侧、左背侧；可选的，所述子肺灌注区域还包括腹外侧、腹内侧、背内侧、背外侧；可选的，所述肺灌注区域，可分为1024（32 x 32 阵矩）个区域（像素点）。
25.在一个实施例中，所述患者盐水造影电阻抗稀释曲线的获取方法为：首先，呼吸屏气测试，要求最小8秒以上(呼吸机机械通气时，先予适当镇静，调整呼吸机为完全控制通气模式，按呼气或吸气屏气按键10s；自住呼吸患者嘱屏气8秒) ；呼吸屏气测试通过后，方可行盐水造影eit检查。然后，病人连接肺电阻抗监测仪器，准备10％nacl 10ml，确认患者已建立中心静脉导管(颈内静脉或锁骨下静脉导管均可)。盐水注射：一般要求2位操作者一起完成，其中一位在确认eit机器工作正常，启动患者呼吸屏气同时，发号注射盐水的指令；另外一位操作者得到确认指令后，即刻从中心静脉导管快速注射10％nacl 10ml到患者体内；在整个操作期间eit监测仪开启记录模式，在注射盐水前2分钟开始持续采集胸部电阻抗信号数据，全过程要求至少持续5 分钟，完整记录屏气期间注射盐水导致肺电阻下降的过程。屏气期间整体电阻曲线开始下降作为盐水进入体内的起点(t0) ，一个动周期后作为盐水进入肺血管的起点(t1) ，整体电阻的最低点作为盐水通过肺血管的终点(t2) ，t0-t1时间
段的电阻曲线反映盐水进入右心，不反映肺血管灌注；应用t1-t2时间段的各个肺区域的电阻-时间变化曲线(最大斜率拟合)进行盐水造影eit肺灌注图像构建。
26.s102：将所述患者盐水造影电阻抗稀释曲线输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图。
27.在一个实施例中，所述预先训练的深度学习模型采用下列方法构建：获取盐水造影电阻抗稀释曲线及同时期的spect图；采用深度学习模型将所述盐水造影电阻抗稀释曲线生成基于盐水造影重建的spect图；通过所述生成基于盐水造影重建的spect图与同时期的spect图像计算损失，反向传播，更新参数，获得预先训练的深度学习模型。
28.在一个实施例中，所述方法还包括提取所述患者盐水造影电阻抗稀释曲线多参数特征，将所述患者盐水造影电阻抗稀释曲线提取的多参数特征输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图。
29.在一个实施例中，所述同时期的spect图获取方法为：首先吸入密闭系统的xe放射性气体进行肺通气显像，然后通过静脉注射锝99聚合蛋白进行肺血流显像，通过多探头r相机通过spect图像，选取与eit相同平面（第4-5肋间）通气与灌注的spect断层图像，以期作为训练的目标。
30.在一个实施例中，所述采用深度学习模型将所述盐水造影电阻抗稀释曲线生成基于盐水造影重建的spect图为提取所述盐水造影电阻抗稀释曲线多参数特征，采用深度学习模型将所述提取所述盐水造影电阻抗稀释曲线多参数特征生成基于盐水造影重建的spect图。
31.在一个实施例中，所述多参数特征包括下列特征中的一种或几种：曲线最大阻抗下降幅值、曲线下面积、最大斜率、平均传输时间、胸廓形态校正。考虑目前eit图像主要通过默认的椭圆形轮廓特征来模拟前向模型，通过估算电极位置和电流分布来计算相对阻抗的信息分布，但每个患者胸廓存在个体差异，在此提出通过测量eit监测断层的胸廓前后径、最大横径、胸围大小来进行胸廓形态校正；优选的，所述多参数特征包括下列特征中的一种或几种：曲线最大阻抗下降幅值、曲线下面积、最大斜率、平均传输时间、胸廓形态校正，所述曲线最大阻抗下降幅值又称电阻下降幅度，所述最大斜率又称曲线最大下降斜率，具体见图5。
32.在一个实施例中，所述深度学习模型为deeplab或unet，更优选的，所述深度学习模型为deeplab v3。
33.在一个实施例中，所述提取所述患者盐水造影电阻抗稀释曲线多参数特征为采用机器学习算法提取所述患者盐水造影电阻抗稀释曲线多参数特征，可选的，所述提取所述患者盐水造影电阻抗稀释曲线多参数特征为采用xgboost、svm、逻辑回归、随机森林、gbdt、lightgbm或ann算法中的一种或几种提取所述患者盐水造影电阻抗稀释曲线多参数特征。
34.在一个实施例中，所述方法还包括提取所述患者盐水造影电阻抗稀释曲线多参数特征，将所述多参数特征进行特征融合得到特征融合后的特征，将所述特征融合后的特征输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图。
35.在一个实施例中，获取患者盐水造影电阻抗稀释曲线，将所述患者盐水造影电阻
抗稀释曲线生成盐水造影eit灌注图像，将所述盐水造影eit灌注图像输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图。
36.在一个实施例中，所述预先训练的深度学习模型采用下列方法构建：获取盐水造影电阻抗稀释曲线及同时期的spect图；将所述盐水造影电阻抗稀释曲线生成盐水造影eit灌注图像；采用深度学习模型将所述盐水造影eit灌注图像生成基于盐水造影重建的spect图；通过所述生成基于盐水造影重建的spect图与同时期的spect图像计算损失，反向传播，更新参数，获得预先训练的深度学习模型。
37.在一个实施例中，所述患者盐水造影电阻抗稀释曲线生成盐水造影eit灌注图像为利用患者盐水造影电阻抗稀释曲线结合图像重建算法获取盐水造影eit灌注图像；可选的，所述利用患者盐水造影电阻抗稀释曲线结合最大斜率法获取盐水造影eit灌注图像。
38.在一个实施例中，获取患者盐水造影电阻抗稀释曲线，提取所述患者盐水造影电阻抗稀释曲线多参数特征，结合图像重建算法获取盐水造影eit灌注图像，可选的，所述多参数特征包括下列特征中的一种或几种：曲线最大下降斜率、曲线下面积、平均传输时间、电阻下降幅度。
39.在一个具体实施例中，获取患者盐水造影电阻抗稀释曲线，将所述患者盐水造影电阻抗稀释曲线结合传统图像重建算法生成盐水造影eit灌注图像，将所述盐水造影eit灌注图像输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图；所述预先训练的深度学习模型采用下列方法构建： 获取盐水造影电阻抗稀释曲线及同时期的spect图；将所述盐水造影电阻抗稀释曲线结合传统图像重建算法生成盐水造影eit灌注图像；采用深度学习模型将所述盐水造影eit灌注图像生成基于盐水造影重建的spect图；通过所述生成基于盐水造影重建的spect图与同时期的spect图像计算损失，反向传播，更新参数，获得预先训练的深度学习模型。
40.在一个实施例中，获取患者盐水造影电阻抗稀释曲线，提取所述患者盐水造影电阻抗稀释曲线多参数特征，结合图像重建算法获取盐水造影eit灌注图像，将所述盐水造影eit灌注图像输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图；所述预先训练的深度学习模型采用下列方法构建： 获取盐水造影电阻抗稀释曲线及同时期的spect图；提取所述患者盐水造影电阻抗稀释曲线多参数特征，结合图像重建算法获取盐水造影eit灌注图像；采用深度学习模型将所述盐水造影eit灌注图像生成基于盐水造影重建的spect图；通过所述生成基于盐水造影重建的spect图与同时期的spect图像计算损失，反向传播，更新参数，获得预先训练的深度学习模型。基于多参数特征获得的盐水造影eit灌注图像是一种更为准确反映肺灌注的图像。在一个具体实施例中，所述多参数特征包括下列特征中的一种或几种：曲线最大阻抗下降幅值、曲线下面积、最大斜率、平均传输时间、胸廓形态校正。考虑目前eit图像主要通过默认的椭圆形轮廓特征来模拟前向模型，通过估算电极位置和电流分布来计算相对阻抗的信息分布，但每个患者胸廓存在个体差异，在此提出通过测量eit监测断层的胸廓前后径、最大横径、胸围大小来优化模拟的前向模型；优选的，所述多参数特征包括下列特征中的一种或几种：曲线最大阻抗下降幅值、曲线下面积、最大斜率、平均传输时间、胸廓形态校正。
41.在一个实施例中，见图4，获取患者盐水造影电阻抗稀释曲线，采用xgboost算法提取所述患者盐水造影电阻抗稀释曲线多参数特征，结合图像重建算法获取盐水造影eit灌注图像，将所述盐水造影eit灌注图像输入预先训练的深度学习模型中，融合所述提取所述患者盐水造影电阻抗稀释曲线多参数特征，生成患者的基于盐水造影重建的spect图，所述深度学习模型为deeplab。
42.图3是本发明实施例提供的一种以spect为标准的肺灌注图像重建设备，所述设备包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时，用于执行实现上述的以spect为标准的盐水造影肺灌注图像重建方法。
43.图3是本发明实施例提供的一种以spect为标准的肺灌注图像重建系统，所述系统包括：获取单元301，用于获取患者盐水造影电阻抗稀释曲线；生成单元302，用于将所述患者盐水造影电阻抗稀释曲线输入预先训练的深度学习模型中，生成患者的基于盐水造影重建的spect图；模型训练单元，用于预先训练深度学习模型，采用下列方法构建深度学习模型：获取盐水造影电阻抗稀释曲线及同时期的spect图；采用深度学习模型将所述盐水造影电阻抗稀释曲线生成基于盐水造影重建的spect图；通过所述生成基于盐水造影重建的spect图与同时期的spect图像计算损失，反向传播，更新参数，获得预先训练的深度学习模型。
44.本发明的一个目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的以spect为标准的肺灌注图像重建方法。
45.本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
46.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
47.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
48.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
49.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
50.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可
以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（rom，read only memory）、随机存取存储器（ram，random access memory）、磁盘或光盘等。
51.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
52.以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。