基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法技术

本发明专利技术公开了一种基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法，通过嵌入图卷积神经网络的迭代阈值收缩算法对心脏跨膜电位进行迭代重建，利用图卷积神经网络提取心脏跨膜电位这种非欧氏数据中节点之间的关联信息，同时保留迭代阈值收缩算法严谨的数学计算，经过多次迭代得到心脏跨膜电位的解。本发明专利技术基于重建出的心脏跨膜电位的时空序列即可对心律失常中的室性早搏、心动过速、房颤以及心肌缺血和心肌梗死等常见心脏疾病进行辅助诊断，为后续的治疗和射频消融手术提供指导。指导。指导。

【技术实现步骤摘要】
基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法


[0001]本专利技术属于心脏跨膜电位重建
，具体涉及一种基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法。

技术介绍

[0002]正常心律的紊乱，称为心律失常，已经成为了世界上发病率和致死率最高的疾病之一，由于心律失常往往会造成心肌机械运动的变化，因此心律失常也成为了室性早搏、心动过速、房颤、房早、心肌缺血、心肌梗死等心脏疾病以及心源性猝死的首要原因。根据世界卫生组织统计，每年全球有超过1000万人死于心律失常疾病，还有更多的人由于心律失常疾病变成残疾；虽然心律失常疾病在我国的发病率相对较低，但是由于巨大的人口基数，每年依然有超过80万人死于这种疾病。因此，准确地识别有风险的患者，并提供准确的诊断和指导治疗对于减小这类疾病致死率和提高治愈率有着非常重要的临床意义。
[0003]由于体表可测得的心电图信号是心脏表面电位的映射，近年来也有研究者提出了心脏电生理成像(Electrocardiographic Imaging，ECGI)技术，这种方法主要通过体表测得的多导联心电信号(一般大于64个电极)和心脏与躯干的几何模型逆向重建得到心脏表面的电生理活动信息，包括心脏跨膜电位、心脏心内膜和心外膜的细胞外电位、心脏表面的激活时序等。相比于目前临床上最为精确的侵入式方法，ECGI技术可以用于无创地记录心脏的电生理活动，筛选和识别心律失常和心源性猝死高危患者，同时提供心脏中的实际空间异质性信息，并对心律失常疾病进行诊断和定位。
[0004]因此，若能够提高心脏表面电位的重建精度，同时减少算法的复杂度和计算时间，对于临床心律失常以及一些心脏缺血性疾病的诊断和治疗具有非常重要的意义。

技术实现思路

[0005]鉴于上述，本专利技术提供了一种基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法，在保留传统迭代阈值收缩算法严谨数学推理的基础上，充分利用了图卷积神经网络对于基于图的心脏细胞外电位数据的节点之间相互联系的特征，从而通过体表测得的多导联心电数据对心脏跨膜电位时空分布进行重建，从而对一些心脏疾病进行诊断。
[0006]一种基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法，包括如下步骤：
[0007](1)对病人躯干部分进行增强CT平扫，采集得到病人胸腔轴向的增强CT切片图像；
[0008](2)根据所述增强CT切片图像建立心脏表面和躯干表面的有限元模型，求出体表电位与心脏跨膜电位之间的正向关系即Φ＝HU，其中Φ为体表电位，U为心脏跨膜电位，H表示Φ与U之间的正向转换矩阵；
[0009](3)采集病人的多导联体表心电信号即Φ，并对心电信号进行滤波处理；
[0010](4)根据已获得的Φ以及H，对心脏跨膜电位信号进行初始化；
[0011](5)根据心脏跨膜电位信号初值，通过嵌入图卷积神经网络的迭代阈值收缩算法(Iterative Shrinkage Thresholding Algorithm，ISTA)对心脏跨膜电位进行重建。
[0012]进一步地，所述步骤(1)中CT平扫的范围需包括整个胸腔，同时记录下心脏和胸腔的空间几何位置以及胸腔表面的多导联心电图电极位置。
[0013]进一步地，所述步骤(2)的具体实现方式为：首先采用Matlab软件对多张胸腔轴向的增强CT切片图像进行左心室心内膜、右心室心内膜和心外膜的分割，同时利用3D Slicer软件对增强CT切片图像上的多导联电极位置进行标注，进一步通过有限元的方法可以得到心脏表面和躯干表面的有限元模型并进行配准；然后基于心脏和躯干表面的有限元模型，再通过边界元的方法可以得到心脏跨膜电位传播到胸腔表面的正向关系即Φ＝HU。
[0014]进一步地，所述步骤(3)中使病人穿戴上分布有64导联电极的体表电位检测设备进行测量，采集获得病人的64导联体表心电信号，进而通过小波变换对该信号进行拉平和去噪处理。
[0015]进一步地，所述步骤(4)中对心脏跨膜电位信号进行初始化的公式如下：
[0016]u
(0)
＝Q
init
Φ
[0017][0018]其中：u
(0)
为心脏跨膜电位信号初值，||||
F
表示F范数，
T
表示转置，Q表示Φ与U之间的反向转换矩阵。
[0019]进一步地，所述步骤(5)的具体实现方式如下：
[0020]5.1将ISTA中的更新步骤映射到一个由固定数量的block级联组成的图卷积神经网络模型，每一个block对应于ISTA中的一次迭代；
[0021]5.2通过将L1范数正则化中的正则化矩阵替换为block对应的非线性变换函数，建立以下目标重建方程：
[0022][0023]其中：||||2表示2范数，||||1表示1范数，λ为正则化系数，Γ()为block对应的非线性变换函数；
[0024]5.3通过ISTA来优化求解上述目标重建方程，ISTA中的每一次迭代均分为两个步骤：第一个步骤是梯度下降，第二个步骤则是求解近端算子；
[0025]5.4利用已有的数据样本对基于ISTA的图卷积神经网络模型进行训练，最后利用训练好的网络模型用于心电逆问题的求解，从而完成心脏跨膜电位的重建。
[0026]进一步地，所述步骤5.1中的block即通过使用一种通用的非线性变换函数对U进行稀疏化，其具体结构从输入到输出由图卷积层G1、ReLU激活函数R1、图卷积层G2、软阈值收缩算子、图卷积层G3、ReLU激活函数R2、图卷积层G4依次连接组成。
[0027]进一步地，所述步骤5.3中梯度下降步骤的表达式如下：
[0028][0029]其中：t表示步长，
T
表示转置，上标k和k
‑
1表示迭代次数，k为大于0的自然数，为
通过梯度下降求得关于U的中间变量。
[0030]进一步地，所述步骤5.3中求解近端算子步骤的表达式如下：
[0031][0032]其中：为通过梯度下降求得关于U的中间变量，上标k表示迭代次数，k为大于0的自然数。
[0033]进一步地，所述图卷积层的实现方式满足以下分层传播规则：
[0034][0035]其中：A为自连接的无向图的邻接矩阵，I
N
为单位矩阵，为度矩阵且其中对角线元素值为中第i行第j列元素值，上标l和l+1表示图卷积层序号，G表示图卷积层的输出，W为图卷积层中的权重矩阵，σ()表示ReLU激活函数。
[0036]本专利技术通过嵌入图卷积神经网络的迭代阈值收缩算法对心脏跨膜电位进行迭代重建，利用图卷积神经网络提取心脏跨膜电位这种非欧氏数据中节点之间的关联信息，同时保留迭代阈值收缩算法严谨的数学计算，经过多次迭代得到心脏跨膜电位的解。本专利技术基于重建出的心脏跨膜电位的时空序列即可对心律失常中的室性早搏、心动过速、房颤以及心肌缺血和心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法，包括如下步骤：(1)对病人躯干部分进行增强CT平扫，采集得到病人胸腔轴向的增强CT切片图像；(2)根据所述增强CT切片图像建立心脏表面和躯干表面的有限元模型，求出体表电位与心脏跨膜电位之间的正向关系即Φ＝HU，其中Φ为体表电位，U为心脏跨膜电位，H表示Φ与U之间的正向转换矩阵；(3)采集病人的多导联体表心电信号即Φ，并对心电信号进行滤波处理；(4)根据已获得的Φ以及H，对心脏跨膜电位信号进行初始化；(5)根据心脏跨膜电位信号初值，通过嵌入图卷积神经网络的迭代阈值收缩算法对心脏跨膜电位进行重建。2.根据权利要求1所述的心脏跨膜电位重建方法，其特征在于：所述步骤(1)中CT平扫的范围需包括整个胸腔，同时记录下心脏和胸腔的空间几何位置以及胸腔表面的多导联心电图电极位置。3.根据权利要求1所述的心脏跨膜电位重建方法，其特征在于：所述步骤(2)的具体实现方式为：首先采用Matlab软件对多张胸腔轴向的增强CT切片图像进行左心室心内膜、右心室心内膜和心外膜的分割，同时利用3D Slicer软件对增强CT切片图像上的多导联电极位置进行标注，进一步通过有限元的方法可以得到心脏表面和躯干表面的有限元模型并进行配准；然后基于心脏和躯干表面的有限元模型，再通过边界元的方法可以得到心脏跨膜电位传播到胸腔表面的正向关系即Φ＝HU。4.根据权利要求1所述的心脏跨膜电位重建方法，其特征在于：所述步骤(3)中使病人穿戴上分布有64导联电极的体表电位检测设备进行测量，采集获得病人的64导联体表心电信号，进而通过小波变换对该信号进行拉平和去噪处理。5.根据权利要求1所述的心脏跨膜电位重建方法，其特征在于：所述步骤(4)中对心脏跨膜电位信号进行初始化的公式如下：u
(0)
＝Q
init
Φ其中：u
(0)
为心脏跨膜电位信号初值，|| ||
F
表示F范数，
T
表示转置，Q表示Φ与U之间的反向转换矩阵。6.根据权利要求1所述的心...

【专利技术属性】
技术研发人员：刘华锋，穆礼德，
申请(专利权)人：浙江大学，
类型：发明
国别省市：