【技术实现步骤摘要】
本专利技术属于心电图像重建，具体涉及一种基于可学习下降算法的心脏电生理成像重建方法。
技术介绍
1、心脏病是发病率和死亡率较高的常见疾病。获取心脏电生理信号对心脏疾病的诊断和治疗非常重要。目前现代临床医学对于心脏疾病的诊断主要可分为非侵入式和侵入式两种，其中侵入式诊断可以精确地诊断心脏疾病的类型及定位心脏疾病的病灶，但这种有创的诊断方式必须将仪器放入人体内，对患者的健康带来危害，存在一定的安全隐患。
2、随着医学的进步，目前已发展出了无创心脏电生理成像(electrocardiographicimaging，ecgi)技术，由体表测得心电图信号作为心脏表面电位的直接映射，通过多导联心电信号和心脏躯干几何模型逆向重建得到心脏表面电信号，无创心电成像相比于侵入式诊断对于改善对病人的诊断和治疗具有重大的临床意义。ecgi获取的心脏电信号即为心肌跨膜电位(transmembrane potential，tmp)，指的是心脏细胞膜内外的电势差，其经过从心脏胸腔导体模型，在体表测得的电压即体表电位(body surface potentials map,bsp)，比如我们所熟悉的标准12导联心电图(electrocardiographic，ecg)。根据12导联心电图观测，医生可以初步判断患者心血管疾病的类型和位置。然而，这种判断是基于医生的经验和知识，并不具备十分准确的特点。且bsp仅为心脏电信号的间接测量，仅能对心脏状态进行粗略评估。tmp可以根据电压的幅值显示出梗死的区域和起搏的位置，tmp重建成像与其相比对疾病的诊断更有
3、通过体表电位bsp反向重建心脏表面电位tmp属于心电逆问题，但心脏表面节点数量远大于体表电位的导联数量，会存在无穷多个解，所以是一个病态的逆问题。将tmp从高维度压缩到低维度进行逆向求解，信息必然会有所丢失。需要引入更多的先验信息进行求解。在求解ecg逆问题中，常见的方法框架分为三大类：1.基于传统迭代优化方法；2.基于数据驱动的深度学习方法；3.基于数学模型的深度学习方法。
4、tikhonov方法是最为经典的传统正则化方法之一，可得到大致的解，但由于没有利用心肌跨膜电位时间序列各帧之间的相关性，得到的结果通常过于平滑，信息丢失过大，不利于疾病的诊断。变分自编码器(variational autoencoders，vae)是一个生成模型，可以从大量的数据特征中学习出潜在的数据分布，但缺少生理模型约束，对于数据质量和数量的要求高。
技术实现思路
1、鉴于上述，本专利技术公开了一种基于可学习下降算法(learnable descentalgorithm，lda)的心脏电生理成像重建方法，能够实现从体表电位bsp到心肌跨膜电位tmp的重建，与传统的图像层面的正则化方法相比，本专利技术具有更好的正则效果，并且可以学习到测量数据中的先验信息。此外，与直接用神经网络替换正则项的方法相比，本专利技术可解释性更强，并且具有更少的参数量，因此非常适合临床应用，可信度更高。
2、本专利技术是通过以下技术方案来实现的：
3、本专利技术公开了一种基于可学习下降算法的心脏电生理成像重建方法，包括如下步骤：
4、1)获取心肌跨膜电位tmp与体表电位bsp数据对用于训练，并划分为训练集和测试集；
5、2)根据心脏电生理成像数学模型，利用卷积神经网络设计正则项，将重建问题转化为带正则项的优化问题；
6、3)构建可学习梯度下降lda网络模型求解上述带正则项的优化问题；
7、4)将训练集输入至可学习梯度下降lda网络模型中并设计损失函数对可学习梯度下降lda网络模型进行训练；
8、5)将测试集输入至训练好的可学习梯度下降lda网络模型中，即可重建输出得到对应的tmp电位图像。
9、作为进一步地改进，本专利技术所述步骤1)中获取到的心肌跨膜电位tmp与体表电位bsp数据对，共有400组不同起搏部位、不同梗死部位、不同梗死面积的tmp序列，每组数据的大小为697×500，其中697为心脏节点数，500为序列长度；对应的64导联bsp序列，每组数据的大小为64×500。
10、作为进一步地改进，本专利技术所述步骤2)中心脏电生理成像数学模型表达式如下：
11、φ＝hu；
12、其中u代表心肌跨膜电位tmp在心脏上的分布，φ代表体表电位记录bsp，h为转换矩阵。
13、作为进一步地改进，本专利技术所述步骤2)中，带正则项的优化问题表达式如下：
14、
15、其中第一项为数据保真项，第二项r(u；θ)为带有可学习参数θ的正则项。
16、作为进一步地改进，本专利技术所述步骤2)中正则项表达式如下：
17、
18、其中g为特征提取模块，|| ||2,1表示l2,1范数，gi,θ(u)表示心肌跨膜电位u的特征信息中含参数θ的第i个特征提取向量。
19、作为进一步地改进，本专利技术所述的特征提取模块g表达式如下：
20、g(u)＝w4*σ(w3*σ(w2*σ(w1*u)))；
21、其中σ为激活函数，代表卷积权重，*代表卷积操作。
22、作为进一步地改进，本专利技术步骤3)中可学习梯度下降lda网络模型由多个计算模块级联组成，每个计算模块包含数据保真项梯度下降与正则项梯度下降，具体表达式如下：
23、
24、其中zk+1表示第k+1个计算模块中数据保真项梯度下降的输出结果，uk+1和uk分别表示第k+1个和第k个计算模块中正则项梯度下降的输出结果，αk表示第k个计算模块中梯度下降的步长。
25、作为进一步地改进，本专利技术所述步骤4)中将训练集输入至可学习梯度下降lda网络模型中并设计损失函数对可学习梯度下降lda网络模型进行训练具体如下：
26、8.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；
27、8.2将训练集样本中的体表电位bsp输入至可学习梯度下降lda网络模型，模型正向传播输出得到对应的预测结果即心肌跨膜电位tmp，计算损失函数；
28、8.3根据损失函数利用优化器通过梯度下降法对模型参数不断迭代更新，直至损失函数收敛，训练完成。
29、本专利技术的有益效果如下：
30、本专利技术提出对卷积神经网络提取的特征进行l2,1范数计算来构建正则项并对l2,1范数进行平滑处理，从而可以直接得到正则项的显式梯度解。与传统的图像层面的正则化方法相比，本专利技术具有更好的正则效果，并且可以学习到测量数据中的先验信息。此外，与直接用神经网络替换正则项的方法相比，本专利技术可解释性更强，并且具有更少的参数量，因此非常适合临床应用，可信度更高。
31、本专利技术使用的可学习梯度下降算法实验过程中对于心肌缺血和异位起搏疾病进行心肌跨膜电位重建，根据各项评价指标证明了本专利技术的优越性，与其他方法相比，实验过程本文档来自技高网...
【技术保护点】
1.一种基于可学习下降算法的心脏电生理成像重建方法，包括如下步骤：
2.根据权利要求1所述的心脏电生理成像重建方法，其特征在于：所述步骤1)中获取到的心肌跨膜电位TMP与体表电位BSP数据对，共有400组不同起搏部位、不同梗死部位、不同梗死面积的TMP序列，每组数据的大小为697×500，其中697为心脏节点数，500为序列长度；对应的64导联BSP序列，每组数据的大小为64×500。
3.根据权利要求1所述的心脏电生理成像重建方法，其特征在于：所述步骤2)中心脏电生理成像数学模型表达式如下：
4.根据权利要求1所述的心脏电生理成像重建方法，其特征在于：所述步骤2)中，带正则项的优化问题表达式如下：
5.根据权利要求4所述的心脏电生理成像重建方法，其特征在于：所述步骤2)中正则项表达式如下：
6.根据权利要求5所述的心脏电生理成像重建方法，其特征在于：所述的特征提取模块g表达式如下：
7.根据权利要求1所述的心脏电生理成像重建方法，其特征在于：步骤3)中可学习梯度下降LDA网络模型由多个计算模块级联组成，每个
8.根据权利要求1所述的心脏电生理成像重建方法，其特征在于：所述步骤4)中将训练集输入至可学习梯度下降LDA网络模型中并设计损失函数对可学习梯度下降LDA网络模型进行训练具体如下：
...【技术特征摘要】
1.一种基于可学习下降算法的心脏电生理成像重建方法，包括如下步骤：
2.根据权利要求1所述的心脏电生理成像重建方法，其特征在于：所述步骤1)中获取到的心肌跨膜电位tmp与体表电位bsp数据对，共有400组不同起搏部位、不同梗死部位、不同梗死面积的tmp序列，每组数据的大小为697×500，其中697为心脏节点数，500为序列长度；对应的64导联bsp序列，每组数据的大小为64×500。
3.根据权利要求1所述的心脏电生理成像重建方法，其特征在于：所述步骤2)中心脏电生理成像数学模型表达式如下：
4.根据权利要求1所述的心脏电生理成像重建方法，其特征在于：所述步骤2)中，带正则项的优化...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。