电阻抗成像技术在肺功能检测的研究进展

李志伟,于瑶,吴阳,段冀州,刘凯,姚佳烽

(1. 南京航空航天大学 机电学院,江苏 南京 210016; 2. 南京特殊教育师范学院,江苏 南京 210038)

0 引言

电阻抗成像技术(electrical impedance tomography, EIT)是一种新兴的成像技术,具有实时、无创、便携的特点,能够动态监测肺部功能[1]。该技术的成像原理是在胸部均匀布置一组电极阵列,对电极施加安全的交流激励信号,测量其余电极对的电压信号,借助重构图像算法重建肺部电导率分布情况。

肺功能成像检测已成为当前EIT领域研究的热点之一,其应用范围涉及辅助肺疾病的治疗、重症监护、呼吸监测和体外膜氧合等领域[2]。肺功能EIT技术能够实时观察肺部通气情况,有助于肺疾病早期诊断和治疗[3]。

近年来,国内外学者对EIT技术进行了深入的研究,探索出了更多新颖的成像算法,电阻抗成像技术已经较为成熟地应用于肺部疾病的监测。本文主要从EIT系统硬件设备、成像机理、图像重建算法及临床应用等方面进行了总结,并对其未来发展趋势进行了分析与讨论。

1 肺功能电阻抗成像技术

1.1 肺功能EIT发展历程

电阻抗成像技术是在20世纪80年代早期由BARBER和BROWN发明的[4],在EIT第一次临床应用中,BROWN提出EIT技术能够用于肺部的通气成像。简单的阻抗肺造影术只能提供胸部阻抗的全局信息,而EIT获得的阻抗数据具有更高的特异性、更多的视觉信息,为肺功能的生理和病理研究开辟了更广阔的应用领域。

HOLDER和TEMPLE利用EIT技术对30名健康人与4名肺部病变患者进行了测试[5],首次在两个胸椎横平面上进行了EIT测量。评估数据结果显示:不仅性别对EIT肺部图像有显著影响,健康人之间的EIT图像也存在很大的差异。因此得到结论:EIT技术不适用于个体间的比较,而适用于患者个体的肺功能监测。

肺功能EIT大量的理论和技术进步提高了图像的分辨率和成像速度。而图像质量的提高也扩大医疗应用与研究的范围[6-9],例如EIT正问题的并行化[10]、重构算法的研究以及对简化模型逆问题的修正等[11]。

1.2 硬件系统与设备

硬件系统是实现EIT测量的关键部件,采集的信号精度会直接影响图像重建的分辨率。硬件系统技术的改进为EIT提供了高精度的数据采集,有助于提高EIT成像的分辨率。EIT系统由电极阵列、数据采集模块和图像重建单元组成[12],如图 1所示。整个电阻抗成像系统包括数字控制器、模数转换(A/D)和数模转换(D/A)、电流源、差分电压传感器、多路复用器和上位机。信号采集由激励通道、测量通道、多路复用器和通信模块组成。数据采集完成后,通过串口将数据传输到计算机,利用图像重建算法实现电阻抗成像。

电极是EIT硬件系统的重要组成部分,直接参与信号激励和测量的过程。目前,为了提高电极的耐用性,大多采用钛合金作为电极的制造材料。此外,电极的数量直接决定了测量信号的数量。电极数量过多时,虽然可以获得更多电压数据,但测量时间也会增加,导致计算难度变高,成像速度会降低。目前,最常见的EIT硬件系统是16电极的测量系统,如图 2所示。

2008年,以色列希伯来大学和加州大学伯克利分校的研究人员设计了一种32电极的EIT系统[13],能够通过手机拨号连接到计算机实现图像重建(图3(a))。爱丁堡大学YANG等开发了一套快速多频电阻抗扫描系统[14],采用半并行数据采集架构,能够实现1 024帧/s的高帧率数据采集,实现实时成像(图3(b))。国内对EIT的研究起步较晚。1993年,空军军医大学董秀珍教授带领的研究小组开始进行肺功能EIT的研究,在1998年开发了国内第一个32电极电阻抗成像硬件系统[15],该系统小信号测量精度达到0.39%,大信号测量精度达到0.08%(图3(c))。2018年,本课题组基于Red Pitaya平台开发了一套便携式的EIT系统[16],该平台基于ZYNQ芯片,通过多路复用器实现激励信号的实时切换,将采集信号解调后通过有线或无线网络传输至PC端进行图像重构,能够实现20帧/s以上的成像(图3(d))。

1.3 成像机理

考虑一个内部导电的二维有界场域Ω,分段平滑边界为∂Ω。假设通过完全导电的边界电极向场域内部注入高频激励电流,场域内的阻抗呈现电阻特性,可忽略虚部成分。通过对本构方程简化得到场域内电导率分布σ与电势φ之间的广义拉普拉斯方程:

∇σ·∇φ+σ·∇2φ=0

(1)

求解偏微分式(1)要给定边界条件,从而建立EIT数学模型。全电极模型已经被证明是EIT最准确的模型,因为它考虑了电极与场域之间的接触阻抗。CEM模型将单个电极视为一个等势体,电导率视为常数。

边界条件表示为:

(2)

式中:Γ是场域边界上的电极区域;l= 1,2,…,L,L是电极的个数;Zl是电极l与场域之间的接触阻抗;e是场域边界上的向外法向的单位向量;Ul是电极l上的电位;I为电极上注入的电流;dS是单位像素。

通过求解式(2)得到EIT正问题的数学模型,它描述了场域内电导率分布σ∈RN×1与边界电压v∈RM×1之间的线性关系,记作F(σ)

v=Jσ+n

(3)

(4)

2 肺功能电阻抗成像技术图像重建算法

肺功能EIT技术的图像重建实质是对逆问题的求解,即在已知边界电压和敏感矩阵的情况下,对待测场域内的电导率分布进行反演重建。由于肺部结构特性复杂,测量到的电压会受到其复杂特性的影响,导致边界电压的测量数据与肺部电导率分布存在复杂的非线性关系。其次,肺功能EIT测量数据中常常含有噪声扰动,得到的模拟数据与真实肺部状态存在一定的差距,边界电压测量数据的微小变动也会造成解的倍数变化。因此,需要稳定的重建方法,降低逆问题的病态性和非线性,提高计算精度和分辨率,得到更接近真实的电导率分布。

根据重建方法的不同,EIT图像重建可分为绝对成像和差分成像。绝对成像是指EIT测量过程中,直接使用测量得到的电流或电压数据来进行图像重建,简单易实现、成本较低,但是精度较差[17]。差分成像则是利用两个或多个时间点的测量数据进行差分图像重建,获得电导率变化分布。这种方法减小了误差,提高了成像的稳定性,但需要更多的数据处理和计算[18]。

2.1 正则化算法

为解决逆问题的不适定性,当前最具普适性的方法就是正则化方法,即用一系列近似于原问题使解变得稳定的适定问题来逼近原来的不适定问题。

常见的正则化方法包括以下几种方法。

1)Tikhonov正则化方法[19]。Tikhonov正则化方法的基本原理是在原有的最小化经验误差函数上使用L2范数作为正则化项进行约束,通过引入一定的平滑先验信息,缩小解的空间,改善重建性能,提高重建精度。但是由于惩罚项是L2范数,这种方法会对解产生较为强烈的光滑效应,限制了其对于待测物体尖锐特征的重建能力。

2)全变差(totalvariation,TV)正则化方法[20]。全变差正则化方法是基于图像相邻要素之间的差异性,通过引入全变差函数正则化项,可以在图像处理任务中平衡平滑和细节保留之间的关系,保留不连续特征。例如,在图像去噪任务中,全变差正则化可以抑制图像中的噪声,同时尽量保留图像的细节信息。

3)最大熵正则化方法[21](maximum entropy regularization method)。最大熵正则化方法是基于两个电导率分布之间电导率相对变化的非负性,通过对电导率的变化值进行重建[22],通过最大化模型的熵,使得模型对未知情况保持最大的不确定性。该方法提供了一种从不完整数据中获取信息的方法,提高模型的泛化能力。

2.2 参数化水平集算法

近年来,出现了各种各样基于形状的重建算法,其中水平集法(level set method,LSM)是最常见的一种[23]。水平集法的关键是使用水平集函数隐式表示电导率分布,区域之间的界面表示为零水平集,将电导率重构问题转化为形状重构的问题。

传统的LSM在重建时,存在许多的数值问题。例如,级别设置函数(level set function,LSF)更改为非距离函数,再将LSF定义为符号距离函数(signed distance function,SDF),需要执行重新初始化的操作,以再次将LSF重置为SDF,这样提高了计算成本和问题的复杂性。

为了克服这些问题,基于参数化水平集(parametric level set,PLS)的图像重建算法应运而生。基于PLS的图像重建算法最初是AGHASI提出的[24],根据径向基函数对LSF进行参数化,呈现更清晰的形状。该方法未知数较少,由于其径向基函数的稀疏性,计算成本较低。基于PLS的方法首先应用于光学断层扫描[25]、地震成像等领域[26],随着技术的发展,也应用于肺功能EIT。但是,PLS仅适用于相数为两个的研究,具有一定的局限性。

2018年,LIU等提出了一种基于形状驱动的参数化水平集(PLS)重建方法[27-28],将图像重建问题表述为图形重建问题,假设重建的电导率变化是分段常数,而异常的几何形状则采用高斯径向基函数(gaussian radial basis functions,GRBF)来表示,可以灵活地描述未知数少的这一类形状,重建结果如图 4所示。图中:E1使用传统的线性差分成像;E2基于PLS的差分成像;Case 1中σ1为呼气末阶段,σ2为吸气末阶段;Case 2为左肺塌陷;Case 3中σ1为心脏处于收缩末期状态,σ2为心脏处于舒张末期状态。与传统的线性方法相比,该方法显著减少了未知数的总数,提高了计算效率,能够容忍更多的建模误差,同时显著提高图像质量。

2022年,WU等提出一种新的形状重建框架[12],该框架融合了稀疏贝叶斯学习(sparse bayesian learning, SBL)和B样条水平集(BLS),用于差分电阻抗成像扫描,充分利用了B样条柔性表示和贝叶斯学习能力的优势,提高重建性能、噪声鲁棒性和计算效率。图5为水箱数据重建结果,图中:第2列为理想边界(红色虚线)、初始基元(黑色虚线)和最终基元(蓝色实线)的分布;第3列为BLS方法的重建结果;第4列为PLS方法的重建结果的Case5—Case8中,胸形水箱中装满盐水,将红色心形琼脂夹杂物放入罐中来模拟心脏,将白色肺状物放入罐中进行水箱试验并测量数据。图像重建结果显示,BLS方法成功将心脏从不同的成像结果中移除,能很好地定位白色肺状物,且重构图像边缘清晰、无伪影(本刊为黑白印刷,相关疑问咨询作者)。

2.3 深度学习算法

基于深度学习的方法已被证明可有效提高肺功能EIT技术的成像质量[29]。因此,许多研究人员尝试使用基于深度学习的方法来解决图像重构问题。WU等提出了一种改进的卷积神经网络(convolutional neural network,CNN)方法用于肺功能EIT[30],并进行了水箱静态试验,如图6所示。图中Tikhonov重建的图像容易出现伪影且边缘图像不清晰;由于增加了RBF层,CNN-RBF的图像重建效果是最好的,肺过度扩张和肺不张所引起的传导率分布不均现象最为明显。该方法增加了批量归一化(BN)层、ELU激活函数、全局平均池化(GAP)层和径向基函数(RBF)神经网络。改进的CNN有助于加快网络收敛速度,提高图像重建精度和鲁棒性。

LIN等利用变分自编码器(variational autoencoder,VAE)学习CT扫描的结果[31],在低维空间构建EIT,将潜在代码的参数作为未知数,通过高斯-牛顿(gauss-newton,GN)方法进行反演,构建了一种基于特征的EIT绝对成像反演方法。该方法将解空间限制在特征空间内,对反演施加了更强的先验约束[32],能够以更少的参数、更少的信息损失表示EIT图像,保证了反演结果与实测数据的一致性、反演结果的可靠性,并从50名患者中随机选取5名患者的CT扫描数据生成EIT模型(图 7)。图中:GT为实际情况;PB为基于像素的反演;FB为基于特征的反转反演。基于像素的方法基本可以重建心肺,但会过度拟合噪声,而基于特征的反演结果与实际情况高度相似,肺部的锐边和凹陷部分都能被清晰地重建出来。

3 肺功能电阻抗成像技术临床应用

与传统医学成像技术相比,EIT在空间分辨率方面具有局限性,但由于其无创、无辐射等优势,EIT在生物医学,特别是肺功能方面,具有广泛的应用领域。当前,肺功能EIT的临床应用主要分为3个方面:肺通气检测、肺灌注评估和肺功能检查。

3.1 肺通气检测

在重症监护病房中,机械通气可能会对急性呼吸窘迫综合征(acute respiratory distress syndrome,ARDS)患者脆弱的肺部造成损伤,因此必须进行保护性肺通气,以预防或减少呼吸机相关肺损伤。CINNELLA等通过EIT证明[33],在早期轻度患者中应用开放肺入路可以改善肺通气的均匀性。在ARDS中,EIT技术可以测量肺部及区域性肺部通气分布,根据电导率分布变化判断呼气末正压(positive end-expiratory pressure, PEEP)的变化对肺泡的影响,如图 8所示,实现对患者病情的检测。EIT应用于ARDS的其他方面包括检测气胸[34],检测患者与呼吸机的不同步[35-37]。因此,EIT可用于捕捉气胸的肺通气变化、选择最佳床边呼气末正压(PEEP)。

3.2 肺灌注评估

近年来,EIT通过肺部血流灌注评估肺部血流异常引起了广泛关注,对于肺损伤与心血管疾病的诊断和治疗具有重要意义。肺灌注评估是利用肺血流脉动引起的阻抗变化来反映肺血流流动情况,可以提供区域肺灌注和通气/灌注(ventilation/perfusion,V/Q)比例图像,如图9所示。FAGERBERG等对小猪进行了EIT肺灌注的监测和评估[38],结果表明EIT可以检测肺灌注信号。MAURI等发现,可以通过EIT技术检测盐水造影法中ARDS患者灌注受损通气区域不平衡的V/Q匹配情况[39]。PERIER等使用EIT技术证实,俯卧位通气和PEEP增加可使得ARDS患者的V/Q匹配更好[40]。这些研究表明,肺功能EIT应用于肺灌注评估中,能够考虑V/Q分布不匹配的情况并进行调整,对于指导呼吸机的诊疗具有重要意义。

3.3 肺功能检查

慢性阻塞性肺疾病(chronic obstructive pulmonary diseases,COPD)患者通常需要做常规肺功能检查(pulmonary function testing,PFT)来监测疾病进展。传统的PFT仅提供从气道开口测量的全局信息,其他技术如多次呼吸冲洗(MBW),需要复杂的设备和高成本,而EIT提供了一种非侵入的方法来评估局部肺功能[41]。

VOGT等利用EIT评估了慢性阻塞性肺疾病(COPD)患者通气的时空异质性[42],进一步测试了COPD患者和哮喘患者[43]对支气管扩张剂可逆性的局部肺反应。在重症监护病房中,COPD急性加重(AECOPD)患者通常需要呼吸机支持,而肺功能EIT则能够为局部肺通气提供定量评估,指导呼吸机的参数设置(图 10)。SUN等研究了AECOPD患者使用神经调节通气辅助时的空气分布情况[44],与压力支持通气相比,相关区域的通气分布显著增加。EIT肺功能检查,除了能够提供整体肺功能信息外,还可以提供独特的区域性信息。但是针对COPD的评估方法和指标仍不明确,故有必要继续推进EIT技术在COPD患者肺功能检查方面的研究。

4 肺功能电阻抗成像技术发展趋势

肺功能EIT的发展趋势主要体现在3个方面:系统趋向便携式、智能化;重构算法将从平面二维转向空间三维发展;临床应用领域将从成人群体扩展到婴幼儿。

1)便携式、智能化

EIT系统正向着便携式、家庭化方向发展,即简单化、集成化的EIT设备同时具备高性能处理器、大容量存储等特点,以满足人们在居家医疗的各种需求[45]。其次,EIT技术趋向智能化,如能够实现动态评估患者肺通气功能变化,结合机器学习进行手势识别等功能[46]。本课题组正在研发基于医疗物联网架构的EIT在线数据健康管理云平台,不仅体积小巧,操作简便,方便移动与安装(图11),还利用上万张胸部CT图片建立和训练深度学习模型,实现了实时监测肺功能,且能够制定个体化机械通气策略。

图1 EIT系统的示意图

图2 肺功能EIT测量16电极排列分布

图4 基于形状驱动的参数化水平集的重建结果

图5 水箱数据重建结果

图6 水箱模型种使用不同方法的重建结果

图7 5名患者训练样本结果

图8 EIT用于机械通气患者PEEP滴定

图9 EIT用于肺灌注评估

图10 EIT用于COPD患者肺功能检查

2)三维实时成像算法

肺功能EIT图像重建算法发展迅速,包括传统的正则化算法、基于参数化水平集的算法、基于卷积神经网络的深度学习算法等。现阶段算法的重心在二维图像的重建,因成像平面单一、无法掌握全局肺功能状态,未来的图像重构算法将着重于实现三维实时成像的功能。本课题组正在研发三维实时成像算法,以三维肺功能EIT为研究对象,搭建一套肺部三维实时成像的系统,建立三维EIT的量化指标和评价方法,对人体肺部全局的通气状态进行实时监测,为临床应用提供参考(图12)。

图12 三维肺功能监测面板示意图

3)特殊应用场景

EIT技术未来将用于更多特殊场景。

新生儿应用:每年有数百万婴儿早产,许多婴儿因肺部发育不成熟而患有呼吸窘迫综合征[47]。新生儿自身器官发育不完全,辐射暴露会严重影响其身体健康与生长发育,因此,对婴幼儿肺功能监测提出了更高的要求[48]。而肺功能EIT技术为解决上述问题提供了新的思路,不仅满足病理检测和诊断的要求,还具备非辐射、非侵入性的特点,能够为儿童呼吸和循环系统疾病的诊断提供无创、无辐射的检测方法,将成为监测早期新生儿肺功能的新方法。

音乐疗法应用:音乐疗法是一种新兴的交叉性边缘学科,通过音乐特有的旋律、节奏和频率等发挥促进患者身心健康的作用,目前已被广泛应用于临床医学领域。EIT为音乐疗法的效果评价提供了检测思路,尤其在肺部疾病等康复治疗中的应用成为了可能,今后将为更多疾病康复提供科学参考。

5 结语

EIT技术的理论研究已经较为成熟,已广泛地应用于生物医学,特别是肺功能领域,但是由于现有系统的庞大、图像重建的病态性等问题,还需要对EIT系统、图像重构算法等进行迭代优化。本文对EIT技术的系统开发、硬件设备、基本原理、图像重建算法以及临床应用等方面的现状及未来发展趋势进行了探讨。EIT系统趋向于便携式、家庭化、智能化,以满足人们居家医疗的需求。肺功能EIT图像重建算法将集中在实现三维实时成像上。随着计算速度的加快与图像质量的提高,肺功能EIT将成为实时监测全局肺功能状态的最佳选择。同时,凭借其无损伤、无辐射、非侵入的特点,肺功能EIT将成为监测早期新生儿肺功能的新方法。