本發(fā)明屬于醫(yī)學成像及深度學習這一，具體涉及一種基于數(shù)字孿生驅(qū)動的電阻抗成像方法、存儲介質(zhì)、設(shè)備。

背景技術(shù)：

1、eit(全稱：electrical?impedance?tomography,電阻抗成像)是一種可視化圖像技術(shù)，基于生物組織邊界電壓來重建內(nèi)部電導(dǎo)率分布，尤其在床旁連續(xù)實時監(jiān)測場景下具有獨特的應(yīng)用優(yōu)勢(如：cn115245322a、cn117338278a、cn117179732a)。但是，eit技術(shù)仍然面臨一些挑戰(zhàn)，特別是由于其軟場特性導(dǎo)致的空間分辨率嚴重受限的問題。

2、為了克服上述問題，研究人員采用了各種先進的正則化方法，以提高eit重建質(zhì)量。

3、第一種技術(shù)路線：靜態(tài)eit探索了基于形狀驅(qū)動的重建方法，通過空間先驗知識恢復(fù)內(nèi)部目標的形狀信息(如：cn112401865a、cn110251130a、cn112401866a)。

4、第二種技術(shù)路線：動態(tài)eit涉及電壓測量或圖像重建的時間序列分析，引入時空相關(guān)性的概念，利用時空先驗知識來獲得更高分辨率的重建結(jié)果(如：cn111192337、cn110910466a)。

5、第三種技術(shù)路線：與前面兩種傳統(tǒng)正則化技術(shù)路線相比，基于深度學習的eit方法能夠通過訓(xùn)練數(shù)據(jù)靈活地引入先驗信息，使得模型能夠更好地理解和反映待成像物體的潛在特征。同時，一旦模型訓(xùn)練完成，成像速度顯著提高。同時，基于深度學習的eit方法還能夠提升重建圖像的分辨率，使得成像結(jié)果更加清晰和準確。(如：cn114663544a、cn112001977a、cn115670421a、cn114052702a)。

6、基于以上現(xiàn)有技術(shù)的研究，發(fā)現(xiàn)基于深度學習的eit方法這一技術(shù)路線仍然存在如下問題：

7、(1)在長期呼吸監(jiān)測場景中，患者體位變化或操作不當往往會導(dǎo)致電極接觸不良或部分斷開。當存在一個或多個故障電極時，采集的電壓數(shù)據(jù)將受到破壞，從而導(dǎo)致圖像失真嚴重。在這種情況下，從不準確的測量中盲目重建電導(dǎo)率圖像可能會導(dǎo)致錯誤的治療決策。

8、(2)基于深度學習的肺eit成像方法已取得顯著進展，但仍然面臨一些挑戰(zhàn)，特別是來自測量噪聲、接觸阻抗、胸腔變形以及電極故障等模型誤差帶來的不良影響。在這種情況下，基于深度學習的電阻抗成像方法需要在故障電極等存在的情況下獲得可靠的重建結(jié)果，以確保準確的診斷和治療。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是為了解決上述現(xiàn)有技術(shù)存在的問題，提供一種基于wovae模型尋求最佳電氣特征的方法。

2、本發(fā)明的另一目的在于提供一種基于數(shù)字孿生驅(qū)動的電阻抗成像方法。

3、本發(fā)明的又一目的在于提供一種存儲介質(zhì)。

4、本發(fā)明的再一目的在于提供一種計算機設(shè)備。

5、本技術(shù)的技術(shù)方案在于：

6、一種基于wovae模型尋求最佳電氣特征的方法，其包括如下步驟：

7、s1，輸入邊界電壓數(shù)據(jù)集u；

8、s2，初始化：在潛在空間中初始化一群鯨魚個體，每個鯨魚代表一組電氣特征；

9、s3，計算每個鯨魚所在位置的適應(yīng)度并求出鯨魚的最優(yōu)位置；

10、s3-1，將每個鯨魚的每組電氣特征均轉(zhuǎn)換為對應(yīng)的模擬邊界電壓數(shù)據(jù)集；其中，一組電氣特征轉(zhuǎn)換為對應(yīng)的模擬邊界電壓數(shù)據(jù)集的方法是：

11、首先，將所述電氣特征輸入到訓(xùn)練好的vae模型，訓(xùn)練好的vae模型輸出高精度的重構(gòu)eit圖像；

12、然后，將所述重構(gòu)eit圖像進行正向建模求解，得到模擬邊界電壓數(shù)據(jù)集v；

13、s3-2，計算每個鯨魚的適應(yīng)度值f(σ)，并選擇最優(yōu)鯨魚位置且保留；

14、

15、其中，cov表示協(xié)方差，var表示方差，v、u分別是模擬邊界電壓數(shù)據(jù)集、輸入邊界電壓數(shù)據(jù)集；

16、s4，基于步驟s3確定的最優(yōu)鯨魚位置進行包圍獵物、泡網(wǎng)攻擊和搜索獵物，更新鯨魚的位置；

17、s5：判斷迭代是否完成；

18、判斷是否滿足終止條件：若是，則輸出最優(yōu)的一組電氣特征；否則，返回步驟s3。

19、一種基于數(shù)字孿生驅(qū)動的電阻抗成像方法，其包括以下步驟：

20、s100，讀取邊界電壓數(shù)據(jù)集；

21、s200，采用前述的方法尋求最佳電氣特征；

22、s300，將步驟s200得到的最佳電氣特征輸入到訓(xùn)練好的vae模型，vae模型輸出重構(gòu)的eit成像。

23、進一步，步驟s100還包括以下子步驟：

24、s101，讀取電阻抗監(jiān)測設(shè)備得到邊界電壓數(shù)據(jù)集u實測；

25、s102，求取輸入邊界電壓數(shù)據(jù)集u：

26、

27、其中，λ是一個正則化參數(shù)，是一個單位矩陣，是一個子矩陣，由與位于邊界附近的三角形元素相對應(yīng)的所有列組成。

28、一種存儲介質(zhì)，其存儲有計算機程序，所述計算機程序用于執(zhí)行前述的尋求最佳電氣特征的方法的步驟。

29、一種存儲介質(zhì)，其存儲有計算機程序，所述計算機程序用于執(zhí)行前述的電阻抗成像方法的步驟。

30、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述處理器執(zhí)行所述計算機可讀指令時實現(xiàn)如前述的基于wovae模型尋求最佳電氣特征的方法的步驟。

31、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述處理器執(zhí)行所述計算機可讀指令時實現(xiàn)如前述的基于數(shù)字孿生驅(qū)動的電阻抗成像方法的步驟。

32、本發(fā)明技術(shù)方案的優(yōu)點主要體現(xiàn)在：

33、(1)本技術(shù)開發(fā)了一個全新的孿生eit框架，旨在補償校正故障電極的無效數(shù)據(jù)，實現(xiàn)高魯棒性的肺成像。本技術(shù)所提出的孿生eit框架在于：它是由信息和數(shù)據(jù)從物理空間到虛擬空間再返回物理空間的持續(xù)循環(huán)流所驅(qū)動的。同時，它深度融合了eit感知技術(shù)和深度卷積進化算法，建立了虛擬wovae模型和物理eit設(shè)備之間的數(shù)字映射。這實現(xiàn)了整個呼吸監(jiān)測過程中的數(shù)據(jù)共享、互動反饋和可視化分析。

34、(2)對于wovae算法而言，其應(yīng)用時基礎(chǔ)性的問題是如何確定適應(yīng)度函數(shù)(適應(yīng)度函數(shù)用于評估鯨魚位置的質(zhì)量)。

35、本技術(shù)的確定的適應(yīng)度函數(shù)為：

36、

37、其中，cov表示協(xié)方差，var表示方差，v、u分別是模擬的邊界電壓數(shù)據(jù)集、輸入的邊界電壓數(shù)據(jù)集，在潛在空間探索過程中，目標函數(shù)f(σ)越大表示該潛在特征計算得到的邊界電壓數(shù)據(jù)集與輸入的邊界電壓數(shù)據(jù)集的相似度越高，則該鯨魚位置越有可能是最優(yōu)解。

38、(3)在確定了適應(yīng)度函數(shù)的基礎(chǔ)上，又產(chǎn)生了一個問題。woa算法初始化得到的是模擬的電氣特征，而非模擬的邊界電壓數(shù)據(jù)集。由此，初始化得到的模擬的電氣特征需要轉(zhuǎn)化為邊界電壓數(shù)據(jù)集，才能計算適應(yīng)度函數(shù)。

39、對此問題，在woa算法中調(diào)入vae模型，初始化得到的模擬的電氣特征輸入到訓(xùn)練好的vae模型中，vae模型輸出重構(gòu)的eit圖像，將所述重構(gòu)eit圖像進行正向建模求解，得到模擬邊界電壓數(shù)據(jù)集(即得到了每個鯨魚對應(yīng)的模擬邊界電壓數(shù)據(jù)集)。

40、即，在woa算法中尋求最佳電氣特征的過程中，嵌入了vae特征(woa嵌入了vae特征，形成了wovae模型)，以便求解適應(yīng)度。