CN113164093B 用于医学成像的装置和方法 （伊爱慕威讯医疗设备有限公司）

2021.05.06PCT/AU2019/0509482019.09.04WO2020/047599EN2020.03.12US2017186155A1,2017.06.29接收表示在多个不同信号频率下来自受验者的身体部分的组织的电磁信号散射的单静态或多验者的在身体部分内的组织的多个散射位置中的每一个处以及对于多个频率中的每一个的电的对于多个频率和多个天线在该散射位置处的以及(iv)2WO2018098387A1,2018.05.31weightedhorizontalvisibili页.3(i)接收表示在多个不同信号频率下来自受验者的身体部分的组织的电磁信号散射的验者的所述身体部分的位置被处理以通过最短路径查找方法来计算所述受验者的传播常(ii)处理所述散射数据以计算在所述受验者的在所述身体部分内的所述组织的多个散射位置中的每一个处以及对于所述多个不同信号频率中的每一个的电场功率值，其中，所述电场功率值基于所述传播常数和所述距(iii)对于所述多个散射位置中的每一个，合计计算出的对于所述多个不同信号频率和所述一个或更多个天线在该散射位置处的电场功率值以生成在所述身体部分内的所述(iv)基于在所述身体部分内的所述组织的模型与所生成的图像的比较来迭代地更新3.根据权利要求1或2所述的方法，其中所述身(v)使用机器学习来处理所述受验者的简历数据以从模板库中选择基础模板作为对所(vi)通过用几何法变换选定基础模板的空间坐标以匹配所述受验者的身体部分的测量值来处理选定基础模板和所述受验者的身体部分的外部尺寸和/或形状的测量值，以生6.根据权利要求5所述的方法，其中从所述散射数据去除杂波包括确定被测电磁信号参数除以在没有所述身体部分的情况下并且在成像域由具有匹配介质或普通身体部分模型的介电特性的材料填充的情况下的所述成像域的被测散射参数来校准所述4类器应用于为所述受验者的在所述身体部分内的组织行指令当由医学成像系统的至少一个处理器执行时使所述至少一个处理器执行根据权利11.一种用于医学成像的装置，包括被配置为执行根据权利要求1到9中的任一项所述(i)输入端，所述输入端接收表示在多个不同信号频率下来自受验者的身体部分的组最短路径查找方法来计算所述受验者的传播常数和距离，所-处理所述散射数据以计算在所述受验者的在所述身体部分内的所述组织的多个散射不同信号频率中的每一个的电场功率值，其中，所述电场功率-对于所述多个散射位置中的每一个，合计计算出的对于所述多个不同信号频率和所述一个或更多个天线在该散射位置处的电场功率值以生成在所述身体部分内的所述组织-基于在所述身体部分内的所述组织的模型与所生成的图像的比较来迭代地更新所述5使用机器学习来处理所述受验者的简历数据以从模板库中选择基础模板作为对所述通过用几何法变换选定基础模板的空间坐标以匹配所述受验者的身体部分的测量值来处理选定基础模板和所述受验者的身体部分的外部尺寸和/或形状的测量值，以生成表6MRI和其他大型医学成像系统的庞大和静态结构以及高成本常常阻止它们用于监测需要在凝块部位处)的受损组织反射的微波信号由系统接收和测量，并且表示被测信号的数据可以被处理以估计异常的位置和/或介电特性，并且生成头的显示受损组织的二维或三维图估计组织的介电特性(非线性方程没有唯一的解，并且该解可以不连续地依赖于输入数据)，或者使用基于时域雷达的技术来找到目标的位置。由于基于断层扫描技术的耗时性7被映射到二维或三维图像上。这种方法在为了高分辨率而使用超宽频带时是更可适用的，的信号穿透的变化限制了这些延迟计算的有效性，并因此限制了因而得到的图像的准确解决方案或由于人体的异质多层结构的多次反射和折射而导致的不准确[0007]因此需要克服或减轻现有技术的一个或更多个困难或者至少提供有用的替代方[0010](i)接收表示在多个不同信号频率下来自受验者的身体部分的组织的电磁信号散[0011](ii)处理散射数据以计算在受验者的在身体部分内的组织的多个散射位置中的[0012](iii)对于每个散射位置，合计计算出的对于多个频率和多个天线在该散射位置[0013](iv)基于在身体部分内的组织的模型与所生成的图像的比较来迭代地更新该模[0017](v)使用机器学习来处理受验者的简历数据(biodata)以从模板库中选择基础模[0018](vi)通过用几何法变换选定模板的空间坐标以匹配受验者的身体部分的测量值来处理选定基础模板和受验者的身体部分的外部尺寸和/或形状的测量值，以生成表示受个频率下从每个信号测量值减去平均值以从散射数据去除分的情况下并且在成像域由具有匹配介质或普通身体部分模型(averagebodypartphantom)的介电特性的材料填充的情况下的成像域的被测散射8形的节点度(nodedegree)和度序列(degreesequence)特性，计算图度互信息(graph标签的训练集训练分类器，并将分类器应用于为受验者的在身体部分内的组织计算的图个处理器执行时使至少一个处理器执行上述方法[0029](i)输入端，该输入端接收表示在多个不同信号频率下来自受验者的身体部分的[0031]-处理散射数据以计算在受验者的在身体部分内的组织的多个散射位置中的每一[0032]-对于每个散射位置，合计计算出的对于多个频率和多个天线在该散射位置处的[0033]-基于在身体部分内的组织的模型与所生成的图像的比较来迭代地更新该模型，[0037]使用机器学习来处理受验者的简历数据以从模板库中选择基础模板作为对受验[0038]通过用几何法变换选定模板的空间坐标以匹配受验者的身体部分的测量值来处理选定基础模板和受验者的身体部分的外部尺寸和/或形状的测量值，以生成表示受验者[0040](i)使用机器学习来处理受验者的简历数据以从模板库中选择模板作为对受验者9[0041](ii)通过用几何法变换选定模板的空间坐标以匹配受验者的身体部分的测量值来处理选定模板和受验者的身体部分的外部尺寸和/或形状的测量值，以生成表示受验者[0042](iii)接收表示在多个不同信号频率下来自受验者的身体部分组织的微波散射的[0044](v)处理标准化的和杂波去除的散射数据以计算在受验者的身体部分组织的多个散射位置中的每一个处以及对于多个频率中的每一个的电[0046](vii)基于受验者的身体部分的组织的模型与所生成的图像的比较来迭代地更新[0049](i)使用机器学习来处理受验者的简历数据以从模板库中选择模板作为对受验者[0050](ii)通过用几何法变换选定模板的空间坐标以匹配受验者的头的测量值来处理选定模板和受验者的头的外部尺寸和/或形状的测量值，以生成表示受验者的头组织的模[0051](iii)接收表示在多个不同信号频率下来自受验者的脑组织的微波散射的多静态[0053](v)处理标准化的和杂波去除的散射数据以计算在受验者的脑组织的多个散射位置中的每一个处以及对于多个频率中的每一个的[0055](vii)基于受验者的头的组织的模型与所生成的图像的比较来迭代地更新该模[0057](i)接收表示在多个不同信号频率下来自受验者的组织的电磁信号散射的多静态[0058](ii)处理散射数据以计算在受验者的组织的多个散射位置中的每一个处以及对[0059](iii)对于每个散射位置，合计在多个频率上在该散射位置处计算出的电场功率[0089]本文描述的电磁成像系统和方法能够以安全的方式快速生成在对象内的内部结[0090]如图1所示，用于医学成像且特别是用于检测脑损伤的系统包括包含天线阵列的[0091]如对本领域中的技术人员明显的，向量网络分析器(VNA)1100dB的大动态范围和低于-100dBm的本底噪声(noisefloor)的VNA被用来激活天线以在个或更多个软件模块202存储在与计算机系统相关联的非易失性(例如硬盘或固态驱动器)个或更多个专用硬件部件，例如专用集成电路(ASIC)和/或一个或更多个现场可编程门阵[0093]分析部件106包括标准计算机部件，包括都通过总线216互连的随机存取存储器诸如互联网220的通信网络的网络接口连接器(NIC)212以及连接到诸如LCD面板显示器222可得到的诸如Apache的web服务器软件226、在可得到的诸如PHP的脚本语言支持228或MicrosoftASP以及从可得到的诸如MySQL的结构化查询语言(SQL)支持230，其允许数据被存储在SQL数据库232中并从SQL数据库232被检配备有标准web浏览器软件的标准计算设备的互联网220用户访问分析部件106、特别是向数据库232提供数据和从数据库232接收数由web服务器226可访问的脚本(包括实现过程的一个或更多个软件模块202)以及还有任何[0099]假设VNA104在它的所有N个端口上被很好地校准，系统的校准模型采用特定的传VNA端口连接到相应天线元件的同轴电缆和级联适配器。因为同轴线(和适配器)在可以忽(f)的定向点源级联的频率相关移相器b:(f)所表示的。因为在该模型中的定向点源与天[0100]在该模型中，每个通道有三个误差参数，第一误差起因于同轴电缆和适配器(Δ[0104]令pi(f)=(2mfALi/c+9:(f)),我们有[0116]模板生成过程400基于关于对象的外部和已知特性以及从基于MRI和/或CT的信息[0117]在步骤408，系统使用受验者的简历数据和受验者的头的3D被扫描表面来提供基[0119]2.使用模板库并通过最近邻来找到与当前受验者最接近的头(基于患者简历数据[0121]在选项1中，使用受验者的先前脑扫描。通过执行组织分割和然后组织特性分配(将电容率和电导率的值分配到通过组织分割识别的不同组织)来将扫描数据转换成合适表面与受验者的简历数据最紧密地匹配)被选择为受验者的初始头模板。在所描述的实施例中，这使用本领域中的技术人员已知的标准机器学习方法例如回归或最近邻分类来完[0123]在选项3中，所开发的机器学习模型将头的表面和简历数据当作输入并直接学习成性模型例如生成性对抗网络(GAN)或变分自动编码[0126]1)首先将MRI/CT数据分割到不同的组织内。扫描的方向和强度首先被标准化(例组织分割算法例如模糊C均值聚类或FAST来将脑区域分割成三种组织类型(灰的、白的和有对应于相应组织的介电特性(电容率和电导率)的值的像素(2D)或体素(3D[0129]在确定了受验者头的三维形状和相应的基础头模板后，在步骤408选择的基础头[0132]翘曲是从经由标志点呈现的被测表面映射到头的例子以便预测被测头的解剖结[0135]如上所述的准确头模板的生成允许本文所述的成像和分类过程生成脑的更清晰指示VNA104顺序地激励在天线平台(头戴式装置)102内部的天线阵列的天线，使得它们以可以由在受验者的头内的特征散射，并且由在天线平台102内部的天线阵列的每个天线检测到的散射信号和相应的信号被发送到VNA104用于处理以生成相[0137]本文描述的系统和过程的检测能力、图像分辨率和准确度取决于天线阵列的性[0138]天线阵列可以以几种形式——包括作为柔性阵列或匹配加载波导阵列——中的[0139]为了避免在接收到的微波信号中的强杂波效应(其可能引起在最终图像中的伪像)，通过以电介质加载的锥形或波状波导天线的形式提供天线来最小化或至少减少天线以及在天线和头之间的垫由混合材料(环氧树脂加铝粉或者用于耦合介质的聚酯树脂加铝粉以及用于柔性垫的氰基树脂CR-V加陶瓷粉)形成以具有适当的介电特性(40-50的介电常使用从模板生成过程的步骤406获取的受验者的头的3D轮廓和已知的天线阵列配置来计算[0142]确定天线阵列的相对距离和定向的过程包括使用在步骤406找到的基准点，特别[0144]在步骤306扫描了头之后，使用组合雷达波束形成和断层扫描的益处且因此发明质或者包含模拟普通人头的模型时利用天线的被测散射参数来校准从受验者的头测量的[0146]平均迹线减法(其中平均被测值(在所有信号上)从在每个频率样本处的每个信号验者的所估计的电容率模型(模板)来估计如由每个天线相对于被成像域的每个体素看到简化的格林函数(Green’sfunction)来以每个频率步长创建在被成像域内的散射功率强用于重新计算功率强度。每对连续迭代步骤的功率强度的比较和电容率地图的更新继续，有受验者的头的情况下以及在成像域由具有匹配介质或普通头模型的介电特性的材料填[0150]通过将在成像域中的来自受验者的头的散射的散射参数Smn除以来自背景匹配介[0157]受验者的头(或待成像的其他医学对象)的外层的介电特性之间的对比使波的大来自外层的反射应该被去除或者至少被显著减轻以允许在被成像对象内的感兴趣特征的述的实施例中，在步骤704利用平均减法和微分方法的组合来从经校准的数据去除强反射号的平均值在每个频率步长处从天线的相应[0163]在图10中示出成像域的示意性表示，其中电磁波从发射机n传播到具有未知介电[0166]其中G是点散射体的二维或三维格林函数，r＝|rnp|+|rpm|是从发射天线到v2G-y2G=0(8)第一类和第二类的贝塞尔函数。由于第二类的贝塞尔函数(也被称为诺依曼函数(Neumann通过将来自方程(12)的格林函数分配到方程(4)中来计[0202]所描述的过程还可以用于通过使用在被成像对象周围的3D天线阵列配置来生成2D成像平面上方和/或下方添加天线的更多环或者通过沿着z方向移动天线以扫描整个对[0204]波束成像过程706的一个重要方面涉及在方程(19)和(20)中使用的传播常数的计[0205]由于在分散和异质环境中的电磁波的多次反射和折射，根据发射机-接收机相对可以被计算为从每个发射机到点散射体以及从点散射体到每个接收机的直接(直)路径(最步骤906可以通过找到在被成像对象内部的具有最小传播时间(t=γr/ω)的路径来找到对象的解剖和介电特性的模板被认为是有益的。该模板可以是从其他成像模式(例如MRI和/或CT设备)的图像提取的被成像对象的实际健康模型，或者是使用被成像的3D头轮廓[0210]另一方面涉及更新(例如，健康的)受验者的脑组织的模型(最初从初始模板生成或作为初始模板)以估计在被成像对象内的异常的介电特性。由方程(22)或(23)创建的图的传播常数然后被代入方程(22)或(23)内以估计对象的新散射剖面。这个迭代过程重复，定义对象的可更新模型902的初始值；该模型902和天线相对于受验者的头的位置904被处理以通过最短路径查找方法来计算对象的位置特[0220]步骤908：对象的经校准和经杂波去除的散射参数被反向传播到成像域以估计在[0221]步骤910：每个像素(或体素)处的电场功率密度(在所有天线上被合计)被计算并高强度是它是出血区域的指标，而缺失的异常或当中风的症状持续时的低强度指示血凝[0229]受验者的头的最终波束成像图像920可以仅表示被成像区域的电容率和/或电导率，或者它可以被更新以包括定义一个或更多个感兴趣组织特性(例如水含量)的位置和/(Nyquisttheorem)以找到用于重建采样的最大频率步长(以及因而频率样本的最小数奈奎斯特速率的速率采样)可以提高分辨率并避免重叠，但需要用于测量和用于处理的额[0235]本文描述的波束成像过程706与标准微波断层扫描明显不同，标准微波断层扫描通常需要解决不适定的(ill-posed)逆问题来估计组织的介电特性。与时域方法(例如共[0238]确定中风是否由出血或凝块引起以及找出它的位置对急性中风的诊断和治疗很扫描系统以从缺血性中风(IS)识别颅内出血(ICH)并找出中风位置的新颖的复杂网络方EEGssignalsusingafastweightedhorizontalvisibilityalgorithm”(Computer平可见度算法(FWHVA)来将多通道时间序列映射到NxN＝16×16＝2=x1权水平可见度算法(FWHVA)用于将数据变换是来自vi的所连接的边的数量，以及度序列(DS)是按节点号的顺序连接的图度的序列[d(v1)2)T使用在本文被称为图度互信息(GDMI)的更简单和更快的方法，其比较两个图形的度序列。行线性空间辨别又执行非线性分类，这些核函数可以是线性的、多项式核、径向基函数[0265]为了执行定位，发明人注意到包含中风的脑具有在所发射/接收的信号中的不平中心冠状面)是近似对称的，横越这些对称线的对称天线对在健康的头内应该具有相似信[0266]图17示出了具有天线信号对和中风1702的由16元件电磁成像天线阵列围绕的脑[0290]图21是由天线围绕的受验者的头的示意性横截面平面图，示出了过程步骤(a)至314用于局部区域断层扫描。特别地，在标题为“Atomographicimagingsystemand由波束成像过程308在不同频率下识别的可疑区域的精确介电特性，且然后这些所确定的决线性和所确定的问题来快速重建真实三维图像而没有对[0296]如果因而得到的分类不同于由分类器312给出的分类，则本领域中的技术人员已[0299]最后在步骤316，基于修改的基于积分的断层扫描的全局断层扫描过程被应用于确度和低计算成本的期望特性，基于CSI的方法正吸引对EM断层扫描的更多兴趣。传统的[0301]根据基于CSI的方法的很多研究，发明人发现步骤1中的对比源的优化比步骤2中比源是对比度函数和总电场的乘积，计算出的电场可用于从优化的对比源提取对比度函[0314]2.使用脑模板计算的总电场通常可用于表示当异常组织(例如出血或凝块)出现[0324]所描述的相关系数方法可用于估计两组信号的相似性。接近于1的相关系数的值的所重建的电导率分布之间的相关系数地图。包含中风的区域将呈现高的不相似性(低相[0336]返回到图3的流程图，为了提供来自