專利名稱：針對心電流定位的高分辨率心磁圖還原的制作方法
技術領域：
本發(fā)明涉及心磁圖(MCG, magnetocardiogram)成像領域。更具體地，本發(fā)明涉及根據(jù)從電磁傳感器單元輸入的稀疏數(shù)據(jù)(sparse data)來產生高分辨率MCG圖像。
背景技術：
心電流(cardiac electric current)由心臟中的電生物(electrophysiological)過程產生。定位異常電流對于診斷諸如心肌梗塞、心絞痛等缺血性(ischemic)疾病來說非常重要。如 F. Stroink 在 Int. Conf. on Biomagnetism Advancesin Biomagnetism, 28 :1_8, 2010 的“Forty Ye ars of Magnetocardiology，，中說明的，這在用于治療和病情跟蹤的導管實驗(catheter lab)中對患者是有M的。傳統(tǒng)上,通過心電圖(ECG, electrocardiogram)來診斷諸如心律不齊等心電活動。然而由于ECG僅提供時間(temporal)信息，所以即使已經檢測到缺血性疾病，ECG也不能直接定位心臟中的異常電流。然而，如Wang等人在"Noninvasive volumetric imagingof cardiac electrophysiology " , CVPR,頁 2176-2183, 2009 中說明的，通過使用大量的電極(導線)，體表電位繪圖(Body Surface Potential Mapping)能夠重構體表電位圖。盡管如此，因為信號經常由于體組織的較差導電性而失真，所以電流定位精度仍然受到限制。心磁圖或心磁描記術(magnetocardiography) (MCG)的出現(xiàn)提供了在空間和時間上對心電流的更精確測量。參考

圖1A，MCG系統(tǒng)包括傳感器單元11，傳感器單元11包括少量的電磁傳感器13 (典型地被布置為由64個或更少個傳感器組成的平面陣列)。身體內的電脈沖產生磁場15。在當前情況下,人類心臟19作為被觀測(observed)的電流源17。每個傳感器13是捕獲點(capture point),下文中可以稱作捕獲器13。每個捕獲器13沿著與傳感器平面陣列(即，z方向)垂直的方向，測量從病人胸部21(即，人軀干)發(fā)出的一維(即，1D)磁波形。MCG傳感器單元11通常被放置在病人胸部21上方5到10厘米處，并以非侵入的(non-invasive)方式測量病人的心臟磁場。在每個捕獲器13處，測量電磁活動的低分辨率(下文中稱作low-res) 二維(2D)MCG圖。與ECG相比，MCG具有一些優(yōu)點。首先，由于體組織的磁特性，在與體表(即，z方向)垂直的方向上心臟的電脈沖(即，電流)產生的磁場不失真。因此，對于在心臟紊亂(disorder)的早期階段的較弱電活動，MCG更精確并且靈敏。其次，MCG傳感器陣列可以定位心臟中電流的位置。最后，MCG測量是非侵入的。經過對MCG的四十年研究，MCG測量的心電流定位和高分辨率視覺化在研究領域和臨床領域都受到越來越多的關注。然而關于MCG存在一些難題，這些難題迄今為止阻礙MCG成為心臟病學中的主流醫(yī)學診斷工具。一個難題是低分辨率2D MCG圖不足以定位心臟中的電流。例如，具有25mm傳感器間隔的64通道Hitachi MCG系統(tǒng)(如Tsukada等人在"Newly DevelopedMagnetocardiographic System for Diagnosing Heart Disease " , Hitachi Review,50(1) :13-17,2001中描述的)僅測量8X8MCG圖(即，由64個測量點組成的8 X 8陣列)。由于傳感器13的尺寸而使MCG圖的分辨率受到限制，這限制了 MCG傳感器單元11可以具有的傳感器13的數(shù)目。因此，MCG中的必要步驟是根據(jù)低分辨率2D MCG圖來創(chuàng)建高分辨率(下文中稱作High-res)MCG圖像或圖。圖IB示出了這種高分辨率圖像的兩個圖像示例23和25。圖像23示出了健康心臟的已還原的高分辨率MCG圖像的切向圖像(tangential image)。圖像23內的最大點25 (B卩，最強點)表示心臟內電流的位置(或源)。因此，高分辨率MCG圖像允許醫(yī)生直接“看到”心臟中的電活動。圖像25示出了非健康心臟的已還原的高分辨率MCG圖像的切向圖像。圖像25與健康心臟的圖像23有很大不同，因此為診斷提供了重要的提示(cue)。與低分辨率MCG圖相比，高分辨率MCG圖像提供了更大的診斷意義，并且對于精確電流定位起到了基礎的作用。大多數(shù)電流MCG系統(tǒng)使用曲線擬合插值方法來根據(jù)低分辨率2DMCG圖重構高分辨率 MCG 圖像，如，B. A. S.等人在"Magnetocardiographic Localization ofArrhythmia Substrates A Methodology Study With Accessory Path-ffay Ablationas Reference " , Ann Noninvasive Electrocardiol, 10 (2) 152-160, 2005 中不出的，以及 Nomura 等人在 〃 Evaluation of an Infarction Vector by Magnetocardiogram Detection of Electromotive Forces that Cannot be Deduced from anElectrocardiogram" ，Int. Congress Series, 1300 :512-515, 2007 中不出的。不幸地，曲線擬合方法的精度通常是有限的。另一種提高高分辨率MCG圖像精度的方法在給定低分辨率MCG測量的情況下首先重構電流的三維(3D)位置、幅度和取向。這種方法通常稱作逆問題(inverse problem),R- J·等人在"Magnetocardiographic Localization of Arrhythmia Substrates AMethodology Study with Accessory Pathway Ablation as Reference " , Europace,11(2) :169-177,2009 中以及 Μ· B.等人在"Conversion of MagnetocardiographicRecordings Between Two Different Multichannel Squid Devices" , IEEE Trans, onBiomedical Engineering, 47 (7) :869-875, 2000中詳細說明了這種方法。這種方法通?；谝援厞W-薩伐爾(Biot-Savart)定律重構的電流來計算高分辨率MCG圖像。然而如技術中已知的，根據(jù)Helmboltz互易原理(reciprocity principal),除非已知電流的數(shù)目，否則MCG的逆問題是不適定問題(ill posed problem)。但是即使已知電流數(shù)目，也需要解決大規(guī)模非線性優(yōu)化問題，該大規(guī)模非線性優(yōu)化問題常常計算量巨大并且可能引起不期望的局部最小值。因此R. J.等人通過采用位于全局原點(world origin)并且遠離傳感器陣列的單個電流而提出了一種簡化的解決方案。如技術中已知的，對于在心臟中以均勻網格的形式來固定電流位置的特殊情況，可以采用線性解決方案。所采用的線性解決方案可以是約束過多的(over-constrained)或約束過少的(under-constrained)。然而這些方法采用另一假設傳感器陣列和心臟完美地對準。實際上，這些假設可能很難滿足。因此，基于這些類型的方法的高分辨率MCG圖像還原可能常常不可靠。最近，對高分辨率MCG圖像還原應用了機器學習技術。這種方法的示例使用神經網絡來應用所學習的非線性插值函數(shù)
發(fā)明內容
本發(fā)明的目的是提供一種創(chuàng)建更精確的高分辨率MCG圖像的方法。本發(fā)明的另一目的是提供一種計算量更小的方法，以根據(jù)低分辨率2D圖來產生精確的高分辨率MCG圖像。本發(fā)明的另一目的是使得不需要與MCG系統(tǒng)和病人的軀干的對準有關的假設。通過以高分辨率MCG圖像還原作為基于示例的超分辨率問題，實現(xiàn)了這些目的。典型地，需要真實示例的庫，以從所述真實示例的庫中學習這種真實示例的特性。然而，由于測量密集磁場是不可行的，從而通過直接測量來獲得這種真實示例也是不可行的，所以本優(yōu)選實施例使用基于合成高分辨率MCG圖像的模型學習算法?；诋厞W-薩伐爾定律來隨機產生樣本圖像。根據(jù)這些樣本，算法通過主分量分析(PCA)來構造線性模型。通過將稀疏測量投射到線性模型的子空間，估計模型系數(shù)，并且可以將高分辨率MCG圖像還原為模型實例。如上所述，MCG圖像典型地提供低分辨率2D MCG圖，逆問題(S卩，電流的位置和矩 的重構)將典型地應用于低分辨率2D MCG圖。然而，在此優(yōu)選的是，對已還原的高分辨率MCG圖像應用逆問題。 在給定高分辨率MCG圖像的情況下，可以將電流的2D位置定位成高分辨率MCG圖像的切向分量的最大點。為了提高2D定位精度，開發(fā)非線性優(yōu)化算法來解決逆問題。同時，還恢復電流的深度、幅度和取向。更具體地，優(yōu)選算法迭代地交替執(zhí)行兩個步驟。第一步驟估計3D電流位置，第二步驟重構電流的幅度和取向。通過基于模型的還原而估計出的2D電流位置被用作初始化。本方法高效、精確并且可靠而無需特殊假設?！N心磁圖MCG系統(tǒng)滿足了以上目的，該心磁圖MCG系統(tǒng)包括傳感器單兀，包括MXM個電磁傳感器,所述MXM個電磁傳感器產生MXM個數(shù)據(jù)單兀的稀疏測量輸出，所述稀疏測量輸出構成第一 MCG圖像；線性模型，定義分辨率比第一 MCG圖像的分辨率高的第二 MCG圖像，所述第二 MCG圖像具有PXP分辨率，其中P > M，所述線性模型在所述線性模型的特性和MXM個測量輸出的任何數(shù)據(jù)點之間建立插值圖案；以及高分辨率MCG圖像合成器，用于通過將第一MCG圖像投射到線性模型的子空間上來產生第三MCG圖像，以及根據(jù)線性模型和所述MXM個數(shù)據(jù)單元來建立針對第三MCG圖像的系數(shù)。在該MCG系統(tǒng)中，第三MCG圖像具有PXP分辨率。優(yōu)選地，MCG系統(tǒng)還包括電流定位器，用于根據(jù)第三MCG圖像來確定電流的位置和動量，所述電流定位器評估在采用單一偶極子的情況下在χ-y取向上來自于每個電磁傳感器的電磁輸出數(shù)據(jù)Bxy，根據(jù)密集的Bz計算密集的Bxy，在第三MCG圖像中找到圖像最大值，并且使用所確定的位置信息作為用于對電流的三維位置矢量多和動量矢量J進行識別的迭代過程的起始點。在該MCG系統(tǒng)中，識別電流的三維位置矢量多和動量矢量^還包括在給定MCG 圖像 Bz(i，j) (i = 1，2，· · ·，N ;j = 1,2, . . . , N)的情況下，Bz(i, j)的切向分量B ' xy(i，j)的最大點表示電流的2D位置(xp，yp)，按昭
ΒΛ7( /) = ·%Ι.(ββ::( . j)cx)2 + (/,y)/ri')' 來計算 Bz(i, j)的切向分量；以及用于對電流
的三維位置矢量多和動量矢量J進行識別的迭代過程包括(a)將畢奧-薩伐爾定律定義為Bw =Jn Rm = -lm X I，其中，Iw 二 B(Fm)，
權利要求
1.一種心磁圖MCG系統(tǒng),包括 傳感器単元，包括MXM個電磁傳感器，所述MXM個電磁傳感器產生MXM個數(shù)據(jù)単元的稀疏測量輸出，所述稀疏測量輸出構成第一 MCG圖像； 線性模型，定義了分辨率比第一 MCG圖像的分辨率高的第二 MCG圖像，所述第二 MCG圖像具有PXP分辨率，其中P > M，所述線性模型在所述線性模型的特性和MXM個測量輸出的任何數(shù)據(jù)點之間建立插值圖案；以及 高分辨率MCG圖像合成器，通過將所述第一 MCG圖像投射到所述線性模型的子空間上來產生第三MCG圖像，以及根據(jù)所述線性模型和所述MXM個數(shù)據(jù)單元來建立針對所述第三MCG圖像的系數(shù)。
2.根據(jù)權利要求I所述的MCG系統(tǒng)，其中，所述第三MCG圖像具有PXP分辨率。
3.根據(jù)權利要求I所述的MCG系統(tǒng)，還包括電流定位器，用于根據(jù)所述第三MCG圖像來確定電流的位置和動量，所述電流定位器評估在采用單一偶極子的情況下在χ-y取向上來自于姆個電磁傳感器的電磁輸出數(shù)據(jù)Bxy,根據(jù)密集的Bz計算密集的Bxy,在所述第三MCG圖像中找到圖像最大值，并且使用所確定的位置信息作為用于對所述電流的三維位置矢量多和動量矢量J進行識別的迭代過程的起始點。
4.根據(jù)權利要求3所述的MCG系統(tǒng)，其中，對所述電流的三維位置矢量多和動量矢量J進行識別進一歩包括 在給定所述第三 MCG 圖像 Bz(i，j) (i = 1，2，···，N;j = 1，2，···，N)的情況下，Bz(i，j)的切向分量B' xy(i，j)的最大點是指電流的2D位置(xp，yp)，并且將Bz(i，j)的切向分量計算為
5.根據(jù)權利要求I所述的MCG系統(tǒng)，其中，線性模型被定義為創(chuàng)建分辨率與第二MCG圖像的分辨率相同的多個合成心磁像，所述合成心磁像基于三維空間心臟容積內的仿真電脈沖，就像在期望的心磁圖系統(tǒng)中會感知到的一樣。
6.根據(jù)權利要求5所述的MCG系統(tǒng)，其中，所述多個合成心磁像包括至少一千個合成圖像，所述至少一千個合成圖像對心臟容積內每個預定義的深度等級上的感知電脈沖進行仿真。
7.根據(jù)權利要求5所述的MCG系統(tǒng)，其中，合成MCG圖像是使用畢奧_薩伐爾定律來合成的。
8.根據(jù)權利要求5所述的MCG系統(tǒng)，其中，合成MCG圖像基于在心臟容積內隨機產生的電流。
9.根據(jù)權利要求5所述的MCG系統(tǒng)，其中，所述線性模型是使用主分量分析PCA來創(chuàng)建的。
10.根據(jù)權利要求I所述的MCG系統(tǒng)，其中，所述插值圖案是通過以下步驟來建立的 (A)定義以下注釋 NXN密集Bz磁場圖以形成矢量； MXM稀疏測量以形成矢量； K個隨機產生的單ー電流偶極子Q ； (B)對于每個隨機產生的電流Q，使用畢奧-薩伐爾等式來計算NXN磁場圖，并將圖像堆疊成矢量も; (C)重復步驟(B)，以得到K個樣本和獲得數(shù)據(jù)矩陣J= ,…以及 (D)在給定輸入數(shù)據(jù)A的情況下訓練PCA模型，以得到特征矩陣Σf。
11.根據(jù)權利要求10所述的MCG系統(tǒng)，其中，所述第三MCG圖像是通過以下操作來創(chuàng)建的 在給定新的偶極子和MXM稀疏測量的情況下，找到特征矩陣中相應的行，并將得到的子矩陣表示為Σ g; 將稀疏測量投射到PCA子空間，并按照Cg = E g+k_-g_n)來計算系數(shù)，其中Σ g+是Σ g的逆的估計；以及 按照fj = Σ fcg+fm_,使用計算出的系數(shù)和原始PCA空間來重構密集磁場圖Bz。
12.根據(jù)權利要求I所述的MCG系統(tǒng)，其中，產生所述第三MCG圖像包括 將稀疏測量輸出定義為矢量g ; 將線性模型定義為Σ； 從Σ中提取與稀疏測量輸出相對應的行，以形成子特征矩陣Σ g ； 將g投射到Σ g上； 將系數(shù)的建立定義為％術-,Wg)其中Σ g+是乙g的偽逆，μ g是從線性模型Σ的均值矢量μ提取的系數(shù)；以及 將高分辨率MCG圖像矢量h定義為h = Σ · Cg+ μ。
13.一種根據(jù)傳感器単元所提供的稀疏測量輸出來創(chuàng)建心磁圖MCG圖像的方法，所述傳感器単元包括多個電磁傳感器，每個電磁傳感器將該電磁傳感器的輸出數(shù)據(jù)貢獻到稀疏測量輸出，所述方法包括 將高分辨率定義為是指實質上比所述稀疏測量輸出所提供的分辨率高的分辨率； 基于三維空間心臟容積內的仿真電脈沖，來創(chuàng)建多個合成高分辨率心磁像，就像在期望的心磁圖系統(tǒng)中會感知到的一祥； 創(chuàng)建合成高分辨率心磁像的線性模型，以在線性模型的特征與任何稀疏測量輸出之間建立插值圖案；以及
14.根據(jù)權利要求13所述的方法，其中，所述多個合成高分辨率心磁像包括對心臟容積內不同深度處感知的電脈沖加以仿真的多于一千個的圖像。
15.根據(jù)權利要求13所述的方法，其中，合成高分辨率MCG圖像是使用畢奧-薩伐爾定律來合成的。
16.根據(jù)權利要求13所述的方法，其中，合成高分辨率MCG圖像基于在心臟容積內隨機產生的電流。
17.根據(jù)權利要求13所述的方法，其中，線性模型是使用主分量分析PCA來創(chuàng)建的。
18.根據(jù)權利要求13所述的方法，其中，插值圖案是通過以下步驟來建立的 (A)定義以下注釋 NXN密集Bz磁場圖以形成矢量； MXM稀疏測量以形成矢量； K個隨機產生的單一電流偶極子Q ； (B)對于每個隨機產生的電流Q，使用畢奧-薩伐爾等式來計算NXN磁場圖，并將圖像堆疊成矢量; (C)重復步驟(B)，以得到K個樣本和獲得數(shù)據(jù)矩陣J=/[j;以及 (D)在給定輸入數(shù)據(jù)A的情況下訓練PCA模型，以得到特征矩陣Ef。
19.根據(jù)權利要求18所述的方法，其中，代表性的高分辨率MCG圖像是通過以下操作來創(chuàng)建的 在給定新的偶極子和MXM稀疏測量g]的情況下，找到特征矩陣中相應的行，并將得到的子矩陣表示為E g; 將稀疏測量投射到PCA子空間，并按照\ =乙g+k_-g_n)來計算系數(shù)，其中E g+是E g的逆的估計；以及 按照fj =E fcg+fm_,使用計算出的系數(shù)和原始PCA空間來重構密集磁場圖Bz。
20.根據(jù)權利要求13所述的方法，其中，創(chuàng)建代表性的高分辨率MCG圖像的步驟包括 將稀疏測量輸出定義為矢量g ; 將線性模型定義為E； 從E中提取與稀疏測量輸出相對應的行，以形成子特征矩陣E g ； 將g投射到E 8上；
全文摘要
心磁圖(MCG)提供了心電活動的時間測量和空間測量，這允許電流定位。MCG設備通常包括平面陣列形式的少量磁傳感器。每個傳感器提供非常低分辨率的2D MCG圖像。這種低分辨率圖不足以實現(xiàn)心電流定位。為了根據(jù)稀疏測量來創(chuàng)建高分辨率MCG圖像，使用一種基于模型學習的算法。使用基于畢奧-薩伐爾定律而隨機產生的大量高分辨率MCG圖像來構造模型。通過為模型配備稀疏測量，創(chuàng)建高分辨率MCG圖像。接下來，通過在高分辨率MCG圖像的切向分量中找到峰值，來定位電流的2D位置。最后，通過非線性優(yōu)化算法來細化2D電流定位，這同時恢復來自傳感器的電流的深度以及該電流的幅度和取向。
文檔編號G06T5/00GK102682425SQ20121002088
公開日2012年9月19日 申請日期2012年1月30日 優(yōu)先權日2011年1月31日
發(fā)明者伍晨愉, 肖京 申請人:精工愛普生株式會社