叶健安，田 翔，王 普，张 涛，章伟睿，刘学超，徐灿华，付 峰

    (空军军医大学军事生物医学工程学系，陕西省生物电磁检测与智能感知重点实验室，陕西 西安 710032)

    动态电阻抗断层成像(electrical impedance tomography，EIT)是一种基于电场激励的功能成像技术，具有无创、无辐射、成像速度快等优点[1]。该技术利用贴片电极向人体表面施加安全的弱激励电流，并测量人体表面电极间边界电压，利用算法重构出人体内部电导率的分布[2]。动态EIT通过计算不同时刻下边界测量电压数据的变化重构电导率变化分布，具有很高的时间分辨率，可进行实时成像，已在脑卒中、脑水肿甘露醇脱水疗效检测以及脑损伤监测中得到初步验证[3-4]。但是在临床EIT应用中，电极位置的变化、电极与皮肤接触阻抗的变化以及患者身体移动变化等都会对人体表面电极边界测量过程产生较大的噪声干扰[5]。由于EIT逆问题存在病态性，会使得含噪声的电压数据在求解EIT逆问题时存在较大偏差，导致最终重构图像质量严重下降，甚至难以获得准确的电导率变化分布图像[6]。传统算法通过引入低空间分辨率以在重构电导率变化分布图像过程中获得更高的稳定性，但这样重构的电导率变化分布图像重构目标的伪影较大，且成像精度较差。目前常用的重构算法包括反投影法[7]、一步线性高斯牛顿(one step linear Gauss-Newton，OneStepGN)算法[8]，阻尼最小二乘(damped least squares，DLS)算法[9]等。

    为减少传统EIT重构算法的重构误差，减少重构图像中的伪影，本文提出了一种基于残差卷积神经网络[10]的多分支一维卷积神经网络(multi-branch one-dimensional convolutional neural networks，MB-1DCNN)模型来增强传统算法的抗噪能力，该模型利用多分支结构和残差单元处理传统算法求解EIT逆问题后的电导率数据，在经模型处理后的数据中，由噪声引起的重构误差及图像中的伪影均减少。网络模型训练完成后，即可直接通过模型进行图像重构，且重构时间短，可实时成像。

    1 材料与方法

    1.1 材料

    本文采用16电极圆形模型，其中圆形半径为10 cm。设置激励测量方式为对向激励、邻近测量，选取相邻的电极进行电信号激励，测量其余电极间电压，即1次激励获取12个边界电压数据，共激励16次，最终获取192个边界电压值，即为一帧数据，电导率变化量和真实电导率变化分布构成了本文网络模型的训练数据 ......