電阻抗成像技術(shù)在肺功能檢測的研究進展

李志偉,于瑤,吳陽,段冀州,劉凱,姚佳烽

(1. 南京航空航天大學 機電學院,江蘇 南京 210016; 2. 南京特殊教育師范學院,江蘇 南京 210038)

0 引言

電阻抗成像技術(shù)(electrical impedance tomography, EIT)是一種新興的成像技術(shù),具有實時、無創(chuàng)、便攜的特點,能夠動態(tài)監(jiān)測肺部功能[1]。該技術(shù)的成像原理是在胸部均勻布置一組電極陣列,對電極施加安全的交流激勵信號,測量其余電極對的電壓信號,借助重構(gòu)圖像算法重建肺部電導率分布情況。

肺功能成像檢測已成為當前EIT領(lǐng)域研究的熱點之一,其應用范圍涉及輔助肺疾病的治療、重癥監(jiān)護、呼吸監(jiān)測和體外膜氧合等領(lǐng)域[2]。肺功能EIT技術(shù)能夠?qū)崟r觀察肺部通氣情況,有助于肺疾病早期診斷和治療[3]。

近年來,國內(nèi)外學者對EIT技術(shù)進行了深入的研究,探索出了更多新穎的成像算法,電阻抗成像技術(shù)已經(jīng)較為成熟地應用于肺部疾病的監(jiān)測。本文主要從EIT系統(tǒng)硬件設(shè)備、成像機理、圖像重建算法及臨床應用等方面進行了總結(jié),并對其未來發(fā)展趨勢進行了分析與討論。

1 肺功能電阻抗成像技術(shù)

1.1 肺功能EIT發(fā)展歷程

電阻抗成像技術(shù)是在20世紀80年代早期由BARBER和BROWN發(fā)明的[4],在EIT第一次臨床應用中,BROWN提出EIT技術(shù)能夠用于肺部的通氣成像。簡單的阻抗肺造影術(shù)只能提供胸部阻抗的全局信息,而EIT獲得的阻抗數(shù)據(jù)具有更高的特異性、更多的視覺信息,為肺功能的生理和病理研究開辟了更廣闊的應用領(lǐng)域。

HOLDER和TEMPLE利用EIT技術(shù)對30名健康人與4名肺部病變患者進行了測試[5],首次在兩個胸椎橫平面上進行了EIT測量。評估數(shù)據(jù)結(jié)果顯示:不僅性別對EIT肺部圖像有顯著影響,健康人之間的EIT圖像也存在很大的差異。因此得到結(jié)論:EIT技術(shù)不適用于個體間的比較,而適用于患者個體的肺功能監(jiān)測。

肺功能EIT大量的理論和技術(shù)進步提高了圖像的分辨率和成像速度。而圖像質(zhì)量的提高也擴大醫(yī)療應用與研究的范圍[6-9],例如EIT正問題的并行化[10]、重構(gòu)算法的研究以及對簡化模型逆問題的修正等[11]。

1.2 硬件系統(tǒng)與設(shè)備

硬件系統(tǒng)是實現(xiàn)EIT測量的關(guān)鍵部件,采集的信號精度會直接影響圖像重建的分辨率。硬件系統(tǒng)技術(shù)的改進為EIT提供了高精度的數(shù)據(jù)采集,有助于提高EIT成像的分辨率。EIT系統(tǒng)由電極陣列、數(shù)據(jù)采集模塊和圖像重建單元組成[12],如圖 1所示。整個電阻抗成像系統(tǒng)包括數(shù)字控制器、模數(shù)轉(zhuǎn)換(A/D)和數(shù)模轉(zhuǎn)換(D/A)、電流源、差分電壓傳感器、多路復用器和上位機。信號采集由激勵通道、測量通道、多路復用器和通信模塊組成。數(shù)據(jù)采集完成后,通過串口將數(shù)據(jù)傳輸?shù)接嬎銠C,利用圖像重建算法實現(xiàn)電阻抗成像。

電極是EIT硬件系統(tǒng)的重要組成部分,直接參與信號激勵和測量的過程。目前,為了提高電極的耐用性,大多采用鈦合金作為電極的制造材料。此外,電極的數(shù)量直接決定了測量信號的數(shù)量。電極數(shù)量過多時,雖然可以獲得更多電壓數(shù)據(jù),但測量時間也會增加,導致計算難度變高,成像速度會降低。目前,最常見的EIT硬件系統(tǒng)是16電極的測量系統(tǒng),如圖 2所示。

2008年,以色列希伯來大學和加州大學伯克利分校的研究人員設(shè)計了一種32電極的EIT系統(tǒng)[13],能夠通過手機撥號連接到計算機實現(xiàn)圖像重建(圖3(a))。愛丁堡大學YANG等開發(fā)了一套快速多頻電阻抗掃描系統(tǒng)[14],采用半并行數(shù)據(jù)采集架構(gòu),能夠?qū)崿F(xiàn)1 024幀/s的高幀率數(shù)據(jù)采集,實現(xiàn)實時成像(圖3(b))。國內(nèi)對EIT的研究起步較晚。1993年,空軍軍醫(yī)大學董秀珍教授帶領(lǐng)的研究小組開始進行肺功能EIT的研究,在1998年開發(fā)了國內(nèi)第一個32電極電阻抗成像硬件系統(tǒng)[15],該系統(tǒng)小信號測量精度達到0.39%,大信號測量精度達到0.08%(圖3(c))。2018年,本課題組基于Red Pitaya平臺開發(fā)了一套便攜式的EIT系統(tǒng)[16],該平臺基于ZYNQ芯片,通過多路復用器實現(xiàn)激勵信號的實時切換,將采集信號解調(diào)后通過有線或無線網(wǎng)絡(luò)傳輸至PC端進行圖像重構(gòu),能夠?qū)崿F(xiàn)20幀/s以上的成像(圖3(d))。

1.3 成像機理

考慮一個內(nèi)部導電的二維有界場域Ω,分段平滑邊界為?Ω。假設(shè)通過完全導電的邊界電極向場域內(nèi)部注入高頻激勵電流,場域內(nèi)的阻抗呈現(xiàn)電阻特性,可忽略虛部成分。通過對本構(gòu)方程簡化得到場域內(nèi)電導率分布σ與電勢φ之間的廣義拉普拉斯方程:

?σ·?φ+σ·?2φ=0

(1)

求解偏微分式(1)要給定邊界條件,從而建立EIT數(shù)學模型。全電極模型已經(jīng)被證明是EIT最準確的模型,因為它考慮了電極與場域之間的接觸阻抗。CEM模型將單個電極視為一個等勢體,電導率視為常數(shù)。

邊界條件表示為:

(2)

式中:Γ是場域邊界上的電極區(qū)域;l= 1,2,…,L,L是電極的個數(shù);Zl是電極l與場域之間的接觸阻抗;e是場域邊界上的向外法向的單位向量;Ul是電極l上的電位;I為電極上注入的電流;dS是單位像素。

通過求解式(2)得到EIT正問題的數(shù)學模型,它描述了場域內(nèi)電導率分布σ∈RN×1與邊界電壓v∈RM×1之間的線性關(guān)系,記作F(σ)

v=Jσ+n

(3)

(4)

2 肺功能電阻抗成像技術(shù)圖像重建算法

肺功能EIT技術(shù)的圖像重建實質(zhì)是對逆問題的求解,即在已知邊界電壓和敏感矩陣的情況下,對待測場域內(nèi)的電導率分布進行反演重建。由于肺部結(jié)構(gòu)特性復雜,測量到的電壓會受到其復雜特性的影響,導致邊界電壓的測量數(shù)據(jù)與肺部電導率分布存在復雜的非線性關(guān)系。其次,肺功能EIT測量數(shù)據(jù)中常常含有噪聲擾動,得到的模擬數(shù)據(jù)與真實肺部狀態(tài)存在一定的差距,邊界電壓測量數(shù)據(jù)的微小變動也會造成解的倍數(shù)變化。因此,需要穩(wěn)定的重建方法,降低逆問題的病態(tài)性和非線性,提高計算精度和分辨率,得到更接近真實的電導率分布。

根據(jù)重建方法的不同,EIT圖像重建可分為絕對成像和差分成像。絕對成像是指EIT測量過程中,直接使用測量得到的電流或電壓數(shù)據(jù)來進行圖像重建,簡單易實現(xiàn)、成本較低,但是精度較差[17]。差分成像則是利用兩個或多個時間點的測量數(shù)據(jù)進行差分圖像重建,獲得電導率變化分布。這種方法減小了誤差,提高了成像的穩(wěn)定性,但需要更多的數(shù)據(jù)處理和計算[18]。

2.1 正則化算法

為解決逆問題的不適定性,當前最具普適性的方法就是正則化方法,即用一系列近似于原問題使解變得穩(wěn)定的適定問題來逼近原來的不適定問題。

常見的正則化方法包括以下幾種方法。

1)Tikhonov正則化方法[19]。Tikhonov正則化方法的基本原理是在原有的最小化經(jīng)驗誤差函數(shù)上使用L2范數(shù)作為正則化項進行約束,通過引入一定的平滑先驗信息,縮小解的空間,改善重建性能,提高重建精度。但是由于懲罰項是L2范數(shù),這種方法會對解產(chǎn)生較為強烈的光滑效應,限制了其對于待測物體尖銳特征的重建能力。

2)全變差(totalvariation,TV)正則化方法[20]。全變差正則化方法是基于圖像相鄰要素之間的差異性,通過引入全變差函數(shù)正則化項,可以在圖像處理任務中平衡平滑和細節(jié)保留之間的關(guān)系,保留不連續(xù)特征。例如,在圖像去噪任務中,全變差正則化可以抑制圖像中的噪聲,同時盡量保留圖像的細節(jié)信息。

3)最大熵正則化方法[21](maximum entropy regularization method)。最大熵正則化方法是基于兩個電導率分布之間電導率相對變化的非負性,通過對電導率的變化值進行重建[22],通過最大化模型的熵,使得模型對未知情況保持最大的不確定性。該方法提供了一種從不完整數(shù)據(jù)中獲取信息的方法,提高模型的泛化能力。

2.2 參數(shù)化水平集算法

近年來,出現(xiàn)了各種各樣基于形狀的重建算法,其中水平集法(level set method,LSM)是最常見的一種[23]。水平集法的關(guān)鍵是使用水平集函數(shù)隱式表示電導率分布,區(qū)域之間的界面表示為零水平集,將電導率重構(gòu)問題轉(zhuǎn)化為形狀重構(gòu)的問題。

傳統(tǒng)的LSM在重建時,存在許多的數(shù)值問題。例如,級別設(shè)置函數(shù)(level set function,LSF)更改為非距離函數(shù),再將LSF定義為符號距離函數(shù)(signed distance function,SDF),需要執(zhí)行重新初始化的操作,以再次將LSF重置為SDF,這樣提高了計算成本和問題的復雜性。

為了克服這些問題,基于參數(shù)化水平集(parametric level set,PLS)的圖像重建算法應運而生。基于PLS的圖像重建算法最初是AGHASI提出的[24],根據(jù)徑向基函數(shù)對LSF進行參數(shù)化,呈現(xiàn)更清晰的形狀。該方法未知數(shù)較少,由于其徑向基函數(shù)的稀疏性,計算成本較低。基于PLS的方法首先應用于光學斷層掃描[25]、地震成像等領(lǐng)域[26],隨著技術(shù)的發(fā)展,也應用于肺功能EIT。但是,PLS僅適用于相數(shù)為兩個的研究,具有一定的局限性。

2018年,LIU等提出了一種基于形狀驅(qū)動的參數(shù)化水平集(PLS)重建方法[27-28],將圖像重建問題表述為圖形重建問題,假設(shè)重建的電導率變化是分段常數(shù),而異常的幾何形狀則采用高斯徑向基函數(shù)(gaussian radial basis functions,GRBF)來表示,可以靈活地描述未知數(shù)少的這一類形狀,重建結(jié)果如圖 4所示。圖中:E1使用傳統(tǒng)的線性差分成像;E2基于PLS的差分成像;Case 1中σ1為呼氣末階段,σ2為吸氣末階段;Case 2為左肺塌陷;Case 3中σ1為心臟處于收縮末期狀態(tài),σ2為心臟處于舒張末期狀態(tài)。與傳統(tǒng)的線性方法相比,該方法顯著減少了未知數(shù)的總數(shù),提高了計算效率,能夠容忍更多的建模誤差,同時顯著提高圖像質(zhì)量。

2022年,WU等提出一種新的形狀重建框架[12],該框架融合了稀疏貝葉斯學習(sparse bayesian learning, SBL)和B樣條水平集(BLS),用于差分電阻抗成像掃描,充分利用了B樣條柔性表示和貝葉斯學習能力的優(yōu)勢,提高重建性能、噪聲魯棒性和計算效率。圖5為水箱數(shù)據(jù)重建結(jié)果,圖中:第2列為理想邊界(紅色虛線)、初始基元(黑色虛線)和最終基元(藍色實線)的分布;第3列為BLS方法的重建結(jié)果;第4列為PLS方法的重建結(jié)果的Case5—Case8中,胸形水箱中裝滿鹽水,將紅色心形瓊脂夾雜物放入罐中來模擬心臟,將白色肺狀物放入罐中進行水箱試驗并測量數(shù)據(jù)。圖像重建結(jié)果顯示,BLS方法成功將心臟從不同的成像結(jié)果中移除,能很好地定位白色肺狀物,且重構(gòu)圖像邊緣清晰、無偽影(本刊為黑白印刷,相關(guān)疑問咨詢作者)。

2.3 深度學習算法

基于深度學習的方法已被證明可有效提高肺功能EIT技術(shù)的成像質(zhì)量[29]。因此,許多研究人員嘗試使用基于深度學習的方法來解決圖像重構(gòu)問題。WU等提出了一種改進的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)方法用于肺功能EIT[30],并進行了水箱靜態(tài)試驗,如圖6所示。圖中Tikhonov重建的圖像容易出現(xiàn)偽影且邊緣圖像不清晰;由于增加了RBF層,CNN-RBF的圖像重建效果是最好的,肺過度擴張和肺不張所引起的傳導率分布不均現(xiàn)象最為明顯。該方法增加了批量歸一化(BN)層、ELU激活函數(shù)、全局平均池化(GAP)層和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)。改進的CNN有助于加快網(wǎng)絡(luò)收斂速度,提高圖像重建精度和魯棒性。

LIN等利用變分自編碼器(variational autoencoder,VAE)學習CT掃描的結(jié)果[31],在低維空間構(gòu)建EIT,將潛在代碼的參數(shù)作為未知數(shù),通過高斯-牛頓(gauss-newton,GN)方法進行反演,構(gòu)建了一種基于特征的EIT絕對成像反演方法。該方法將解空間限制在特征空間內(nèi),對反演施加了更強的先驗約束[32],能夠以更少的參數(shù)、更少的信息損失表示EIT圖像,保證了反演結(jié)果與實測數(shù)據(jù)的一致性、反演結(jié)果的可靠性,并從50名患者中隨機選取5名患者的CT掃描數(shù)據(jù)生成EIT模型(圖 7)。圖中:GT為實際情況;PB為基于像素的反演;FB為基于特征的反轉(zhuǎn)反演。基于像素的方法基本可以重建心肺,但會過度擬合噪聲,而基于特征的反演結(jié)果與實際情況高度相似,肺部的銳邊和凹陷部分都能被清晰地重建出來。

3 肺功能電阻抗成像技術(shù)臨床應用

與傳統(tǒng)醫(yī)學成像技術(shù)相比,EIT在空間分辨率方面具有局限性,但由于其無創(chuàng)、無輻射等優(yōu)勢,EIT在生物醫(yī)學,特別是肺功能方面,具有廣泛的應用領(lǐng)域。當前,肺功能EIT的臨床應用主要分為3個方面:肺通氣檢測、肺灌注評估和肺功能檢查。

3.1 肺通氣檢測

在重癥監(jiān)護病房中,機械通氣可能會對急性呼吸窘迫綜合征(acute respiratory distress syndrome,ARDS)患者脆弱的肺部造成損傷,因此必須進行保護性肺通氣,以預防或減少呼吸機相關(guān)肺損傷。CINNELLA等通過EIT證明[33],在早期輕度患者中應用開放肺入路可以改善肺通氣的均勻性。在ARDS中,EIT技術(shù)可以測量肺部及區(qū)域性肺部通氣分布,根據(jù)電導率分布變化判斷呼氣末正壓(positive end-expiratory pressure, PEEP)的變化對肺泡的影響,如圖 8所示,實現(xiàn)對患者病情的檢測。EIT應用于ARDS的其他方面包括檢測氣胸[34],檢測患者與呼吸機的不同步[35-37]。因此,EIT可用于捕捉氣胸的肺通氣變化、選擇最佳床邊呼氣末正壓(PEEP)。

3.2 肺灌注評估

近年來,EIT通過肺部血流灌注評估肺部血流異常引起了廣泛關(guān)注,對于肺損傷與心血管疾病的診斷和治療具有重要意義。肺灌注評估是利用肺血流脈動引起的阻抗變化來反映肺血流流動情況,可以提供區(qū)域肺灌注和通氣/灌注(ventilation/perfusion,V/Q)比例圖像,如圖9所示。FAGERBERG等對小豬進行了EIT肺灌注的監(jiān)測和評估[38],結(jié)果表明EIT可以檢測肺灌注信號。MAURI等發(fā)現(xiàn),可以通過EIT技術(shù)檢測鹽水造影法中ARDS患者灌注受損通氣區(qū)域不平衡的V/Q匹配情況[39]。PERIER等使用EIT技術(shù)證實,俯臥位通氣和PEEP增加可使得ARDS患者的V/Q匹配更好[40]。這些研究表明,肺功能EIT應用于肺灌注評估中,能夠考慮V/Q分布不匹配的情況并進行調(diào)整,對于指導呼吸機的診療具有重要意義。

3.3 肺功能檢查

慢性阻塞性肺疾病(chronic obstructive pulmonary diseases,COPD)患者通常需要做常規(guī)肺功能檢查(pulmonary function testing,PFT)來監(jiān)測疾病進展。傳統(tǒng)的PFT僅提供從氣道開口測量的全局信息,其他技術(shù)如多次呼吸沖洗(MBW),需要復雜的設(shè)備和高成本,而EIT提供了一種非侵入的方法來評估局部肺功能[41]。

VOGT等利用EIT評估了慢性阻塞性肺疾病(COPD)患者通氣的時空異質(zhì)性[42],進一步測試了COPD患者和哮喘患者[43]對支氣管擴張劑可逆性的局部肺反應。在重癥監(jiān)護病房中,COPD急性加重(AECOPD)患者通常需要呼吸機支持,而肺功能EIT則能夠為局部肺通氣提供定量評估,指導呼吸機的參數(shù)設(shè)置(圖 10)。SUN等研究了AECOPD患者使用神經(jīng)調(diào)節(jié)通氣輔助時的空氣分布情況[44],與壓力支持通氣相比,相關(guān)區(qū)域的通氣分布顯著增加。EIT肺功能檢查,除了能夠提供整體肺功能信息外,還可以提供獨特的區(qū)域性信息。但是針對COPD的評估方法和指標仍不明確,故有必要繼續(xù)推進EIT技術(shù)在COPD患者肺功能檢查方面的研究。

4 肺功能電阻抗成像技術(shù)發(fā)展趨勢

肺功能EIT的發(fā)展趨勢主要體現(xiàn)在3個方面:系統(tǒng)趨向便攜式、智能化;重構(gòu)算法將從平面二維轉(zhuǎn)向空間三維發(fā)展;臨床應用領(lǐng)域?qū)某扇巳后w擴展到嬰幼兒。

1)便攜式、智能化

EIT系統(tǒng)正向著便攜式、家庭化方向發(fā)展,即簡單化、集成化的EIT設(shè)備同時具備高性能處理器、大容量存儲等特點,以滿足人們在居家醫(yī)療的各種需求[45]。其次,EIT技術(shù)趨向智能化,如能夠?qū)崿F(xiàn)動態(tài)評估患者肺通氣功能變化,結(jié)合機器學習進行手勢識別等功能[46]。本課題組正在研發(fā)基于醫(yī)療物聯(lián)網(wǎng)架構(gòu)的EIT在線數(shù)據(jù)健康管理云平臺,不僅體積小巧,操作簡便,方便移動與安裝(圖11),還利用上萬張胸部CT圖片建立和訓練深度學習模型,實現(xiàn)了實時監(jiān)測肺功能,且能夠制定個體化機械通氣策略。

圖1 EIT系統(tǒng)的示意圖

圖2 肺功能EIT測量16電極排列分布

圖4 基于形狀驅(qū)動的參數(shù)化水平集的重建結(jié)果

圖5 水箱數(shù)據(jù)重建結(jié)果

圖6 水箱模型種使用不同方法的重建結(jié)果

圖7 5名患者訓練樣本結(jié)果

圖8 EIT用于機械通氣患者PEEP滴定

圖9 EIT用于肺灌注評估

圖10 EIT用于COPD患者肺功能檢查

2)三維實時成像算法

肺功能EIT圖像重建算法發(fā)展迅速,包括傳統(tǒng)的正則化算法、基于參數(shù)化水平集的算法、基于卷積神經(jīng)網(wǎng)絡(luò)的深度學習算法等。現(xiàn)階段算法的重心在二維圖像的重建,因成像平面單一、無法掌握全局肺功能狀態(tài),未來的圖像重構(gòu)算法將著重于實現(xiàn)三維實時成像的功能。本課題組正在研發(fā)三維實時成像算法,以三維肺功能EIT為研究對象,搭建一套肺部三維實時成像的系統(tǒng),建立三維EIT的量化指標和評價方法,對人體肺部全局的通氣狀態(tài)進行實時監(jiān)測,為臨床應用提供參考(圖12)。

圖12 三維肺功能監(jiān)測面板示意圖

3)特殊應用場景

EIT技術(shù)未來將用于更多特殊場景。

新生兒應用:每年有數(shù)百萬嬰兒早產(chǎn),許多嬰兒因肺部發(fā)育不成熟而患有呼吸窘迫綜合征[47]。新生兒自身器官發(fā)育不完全,輻射暴露會嚴重影響其身體健康與生長發(fā)育,因此,對嬰幼兒肺功能監(jiān)測提出了更高的要求[48]。而肺功能EIT技術(shù)為解決上述問題提供了新的思路,不僅滿足病理檢測和診斷的要求,還具備非輻射、非侵入性的特點,能夠為兒童呼吸和循環(huán)系統(tǒng)疾病的診斷提供無創(chuàng)、無輻射的檢測方法,將成為監(jiān)測早期新生兒肺功能的新方法。

音樂療法應用:音樂療法是一種新興的交叉性邊緣學科,通過音樂特有的旋律、節(jié)奏和頻率等發(fā)揮促進患者身心健康的作用,目前已被廣泛應用于臨床醫(yī)學領(lǐng)域。EIT為音樂療法的效果評價提供了檢測思路,尤其在肺部疾病等康復治療中的應用成為了可能,今后將為更多疾病康復提供科學參考。

5 結(jié)語

EIT技術(shù)的理論研究已經(jīng)較為成熟,已廣泛地應用于生物醫(yī)學,特別是肺功能領(lǐng)域,但是由于現(xiàn)有系統(tǒng)的龐大、圖像重建的病態(tài)性等問題,還需要對EIT系統(tǒng)、圖像重構(gòu)算法等進行迭代優(yōu)化。本文對EIT技術(shù)的系統(tǒng)開發(fā)、硬件設(shè)備、基本原理、圖像重建算法以及臨床應用等方面的現(xiàn)狀及未來發(fā)展趨勢進行了探討。EIT系統(tǒng)趨向于便攜式、家庭化、智能化,以滿足人們居家醫(yī)療的需求。肺功能EIT圖像重建算法將集中在實現(xiàn)三維實時成像上。隨著計算速度的加快與圖像質(zhì)量的提高,肺功能EIT將成為實時監(jiān)測全局肺功能狀態(tài)的最佳選擇。同時,憑借其無損傷、無輻射、非侵入的特點,肺功能EIT將成為監(jiān)測早期新生兒肺功能的新方法。