[发明专利]一种基于卷积神经网络的心脏电功能成像方法

说明书

技术领域

本发明属于心脏电功能成像技术领域，具体涉及一种基于卷积神经网络的心脏电功能成像方法。

背景技术

心血管疾病是导致心脏骤停的主要原因，其中最常见的就是心律失常，它使得心脏跳动失去同步性而易导致猝死。如果在心律失常后没有及时快速实施除颤或心肺复苏，死亡可能随时降临；然而有一些患者猝死前并未出现任何心脏疾病先兆和症状，因此准确识别和定位心律失常在预防猝死的过程中是至关重要的，研究出一种无创的心脏电功能成像方法对此无疑是意义重大，这种形式的成像能够快速准确地识别出那些处于心律失常危险中的人群，及时做好预防准备。

如上所述，心律失常是导致患者死亡的一个重要原因，对于心律失常的诊断和治疗的重要性不言而喻。常规的诊断技术，如标准的12导联心电图(ECG)是心脏电活动在体表的低分辨率投影，由于心电图是通过捕获躯体表面上和能够达到躯体表面的心脏搏动信息，所以只能提供心脏电活动整体的反映。体表电位分布图是比心电图更高分辨率的心电活动投影，但仍然不能反映出心脏源的电活动，而且体表电位图也没有足够的分辨率来反映心脏内局部事件的过程。因此，如果我们能够有获取心脏外膜表面的电活动信息的技术，那么在心律失常诊断方面将是一个意义重大的进步，心脏电功能成像就是这样一种有希望应用到临床的技术。心脏电功能成像是一种新的成像模式，不同于CT或MRI的几何形态成像，它能够无创地对心脏表面的电活动信息成像。因此，心脏电功能成像有希望成为检测心脏电功能异常的诊断利器。心脏电功能成像则是根据体表电位的分布、人体的几何形状以及躯干容积导体的电磁特性，通过数学物理方法求得心脏电活动的定量解。心脏电功能成像技术是将心电图和成像技术结合起来，用图像的形式来直观地反映心脏电活动信息，它能准确检测并判断出哪些患者是发生心律失常的高危人群，为治疗提供直观有效的帮助和指导。目前，对于心律失常的无创的图像诊断、治疗和引导方式在临床中还未见应用，心脏电功能成像技术有望弥补这一缺憾，为全世界每年数百万可能会因此疾病而失去生命的患者带来希望。心脏电功能成像不仅可以帮助医生对各种心脏疾病的诊断和治疗，也可应用于正常心脏功能评估。

目前所研究的心脏电功能成像方法，大多采用正则化方法克服其不适定性问题，正则化方法的难点主要在于参数的选择，不同躯干模型以及不同的体表电位噪声环境，需要尝试多种正则化方法及其参数选择方法。这样就使得该方法泛化能力差，而且计算相当耗时，不能实现心脏电功能实时成像。近期，机器学习相关算法引入到心脏电功能成像检测中，取得了一定的进展；比如支持向量回归、极限学习机等算法，一定程度上提高了泛化能力和成像速度，但是仍然难以达到高精度、鲁棒的实时成像的要求。

发明内容

鉴于上述，本发明提供了一种基于卷积神经网络的心脏电功能成像方法，能够由体表电位快速、鲁棒、高精度的重构心外膜电位分布，实现心脏电功能成像的快速检测，为心脏疾病的预防和诊断提供更加有效的检测手段。

一种基于卷积神经网络的心脏电功能成像方法，包括如下步骤：

(1)根据医学影像仪器获取的心脏与躯干的解剖几何信息以及躯干容积导体的电磁特性，通过三角形网格化划分建立人体的心脏-躯干模型；

(2)通过心脏表面源方法仿真计算得到一个兴奋传导周期的心外膜电位分布数据，并对其进行采样得到多个心外膜电位分布样本；

(3)将所述心外膜电位分布样本逐个输入至心脏-躯干模型中得到对应的体表电位分布样本；

(4)利用所述体表电位分布样本对卷积神经网络进行训练，得到能够反问题重构出心外膜电位分布的回归模型，并利用该回归模型实现心脏电功能成像。

进一步地，所述步骤(1)中建立得到的心脏-躯干模型包含了心外膜电位与体表电位之间的传递矩阵，利用该传递矩阵即可通过心外膜电位正问题求解出体表电位。

进一步地，所述步骤(2)中根据心脏细胞的动作电位类型和兴奋时序分布求解出心脏细胞的跨膜动作电位，基于封闭的心脏表面根据心脏表面源方法确定跨膜动作电位与心脏表面电位之间的关系，进而仿真计算得到整个心脏表面的心外膜电位分布数据。

进一步地，将所述步骤(3)中将得到的体表电位分布样本分为训练集和测试集，其中训练集的体表电位分布样本用于对卷积神经网络进行训练，测试集的体表电位分布样本用于对训练得到的回归模型进行验证微调。

优选地，对所述训练集中的体表电位分布样本叠加随机噪声，以使训练得到的回归模型能够抗噪，具有鲁棒性。