[发明专利]基于FPGA的深度学习电阻抗成像系统及成像评价方法

说明书

本发明公开了一种基于FPGA的深度学习端对端式电阻抗成像系统及新型成像评价方法，系统以FPGA为核心板，在FPGA移植微处理器内核，实现数据采集模块、深度学习算法模块以及成像显示模块。所述数据采集模块用于注入激励电流和采集电压数据并对电压数据进行降噪处理；所述深度学习模块用于处理采集的电压数据，将其还原成重建图像。本发明采用FPGA作为主控，发挥其并行计算的优势，加速深度学习算法模块实现；引入微处理器提高所述电阻抗成像系统的运行效率；深度学习算法模块解决传统算法成像精度不高的问题，降低逆问题的不适定性。新型评价方法解决常用的ICC评价方法无法准确评价原始图像与重建图像位置准确度的缺点。

技术领域

本发明涉及电阻抗成像领域，具体是一种基于FPGA的深度学习电阻抗成像系统及成像评价方法。

背景技术

电阻抗成像技术(Electrical Impedance Tomography,EIT)是一种通过测量物体表面的电学特性以评估其内部电学特性，反映其结构特性的一种功能成像技术。电阻抗成像技术具有快速、非侵入式、无辐射、低成本、可移植性等优点，逐渐成为研究热点，它是继形态成像(X-ray)、结构成像(CT)后出现的新一代无损功能成像技术，在生物医学、工业检测、地球物理等方面具有广泛应用。

电阻抗成像系统通常由两部分组成：数据采集和图像重构。在数据采集部分中，数据采集控制部分按照一定顺序收集电极阵列上采集到的物体表面电学特性；图像重构部分将收集到的数据经过特定的算法还原物体结构特性。

解决电阻抗成像可分为正问题和逆问题。其中，从电阻抗分布到边界电压的映射称为电阻抗成像的正问题；从边界电压到电阻抗分布的映射称为电阻抗分布的逆问题。其中，关键点是解决逆问题。逆问题具有不适定性，表现在无解；解可能不稳定；解可能不唯一。

电阻抗成像技术经过30多年的发展，逐渐成为一种具有广阔应用前景的医学成像技术，但尚未能在临床医学及其他领域得到普及，其面临如下挑战：首先，当下电阻抗成像系统通常非端对端式，即数据采集系统与图像重构系统为两个分立的系统，数据采集后要经过图像重构系统才能完成成像，如一种基于深度学习的三维电阻抗成像系统(CN112754456)，该系统通过激励采集控制模块采集数据后将数据送入上位机进行重构成像。此种电阻抗成像系统存在缺陷，先采集数据再进行图像重构的方式导致系统变得复杂，且便携性较低，不适用于对成像即时性要求高的领域。目前基于深度学习算法的电阻抗成像系统，尚未实现将数据采集模块与成像算法模块集成于同一系统中；当前基于传统算法的电阻抗成像系统，虽能实现算法于数据采集的集成，但基于传统算法的电阻抗成像系统所得结果具有成像准确率不高的缺点。此外，现有的电阻抗成像技术领域，对于重建图像的精度与准确率，尚未建立一套权威统一的评判标准，大多采用计算图像相关系数(ICC)的方法。此种方法无法有效判断重建图像与原始图像的空间位置差别。

另外，电阻抗成像技术成像逆问题存在较大的不适定性，表现在物体表面电学特性的微小变化会造成解的巨大变化，且现有的传统算法对区域中心的变化不敏感，对区域边界的变化敏感。

深度学习作为机器学习的重要子类，具有学习能力强、适应性强、可移植性好等优点，将其应用于电阻抗成像的逆问题，能够有效改善逆问题的适定性，提高成像分辨率。

可编程门阵列(FPGA)的重要特点是可编程性，用户可以通过编程的形式实现所需的数字电路。FPGA是提高小批量系统集成度、可靠性的最佳选择。

端对端，特指从最原始状态，直接得到结果的过程。目前应用深度学习的电阻抗成像系统中，通常为两段式，即数据采集模块与深度学习算法模块为两个分立的系统，中间通过USB、蓝牙等通信方式进行通信。

发明内容

本发明公开一种基于深度学习算法的端对端电阻抗成像系统，其基于FPGA控制板，将数据采集部分与图像重构部分集成在同一FPGA控制板中，图像重构部分采用深度学习算法，提高算法的并行度，改善电阻抗成像逆问题的不适定性，提高重构图像的准确率以及还原成像速度。