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

摘要

本发明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。

说明书

技术领域

本发明属于心脏跨膜电位重建技术领域，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。

背景技术

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。

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。

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。

发明内容

鉴于上述，本发明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。

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(Iterative Shrinkage Thresholding Algorithm，ISTA)对心脏跨膜电位进行重建。

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。

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。

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。

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：

u

其中：u

进一步地，所述步骤(5)的具体实现方式如下：

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；

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：

其中：||||

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；

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。

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。

进一步地，所述步骤5.3中梯度下降步骤的表达式如下：

其中：t表示步长，

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：

其中：

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：

其中：

本发明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。

附图说明

图1为本发明基于嵌入图卷积神经网络的迭代阈值收缩算法流程示意图。

图2为本发明与现有TV算法对于室性早搏数据进行心脏跨膜电位重建的空间对比结果图。

图3为本发明与现有TV算法的对于室性早搏数据进行心脏跨膜电位重建的时间对比结果图。

图4为本发明与现有TV算法的对于心肌梗死数据进行心脏跨膜电位重建的空间对比结果图。

图5为本发明与现有TV算法的对于心肌梗死数据进行心脏激活时序重建的空间对比结果图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

本发明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，具体步骤如下：

(1)对病人躯干部分进行增强CT平扫。

增强CT扫描的范围需要包括整个胸腔，同时记录下心脏和胸腔的空间几何位置以及胸腔表面的64导联心电图电极位置。

(2)根据病人的躯干增强CT图像，得到心脏表面和躯干表面的有限元模型，求出多导联体表电位与心脏跨膜电位之间的正向关系：Φ＝HU。

首先通过matlab软件对多张胸腔轴向增强CT切片进行左心室心内膜、右心室心内膜和心外膜的分割，同时通过3D slicer软件对增强CT切片上的64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；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。

(3)采集病人的64导联体表心电图信号Φ，并对心电信号进行滤波。

在病人胸腔表面放置64个电极对躯干表面的心电信号进行测量，进一步通过小波变换对测得的64导联心电型号进行拉平和去噪处理。

(4)根据已获得Φ和H，对心脏跨膜电位信号进行初始化，心脏跨膜电位初始化的公式为：

u

其中：

(5)在已初始化的心脏跨膜电位信号的基础上，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。

如图1所示，本发明利用图卷积神经网络对传统的迭代阈值收缩算法ISTA进行改进，将ISTA更新步骤映射到一个由固定数量的阶段组成的深层网络结构，每一个阶段对应于传统ISTA算法的一次迭代，即通过使用一种通用的非线性变化函数对U进行稀疏化，具体可以表现为四个图卷积层和ReLU激活函数。

首先，将传统L1范数正则化中的正则化矩阵替换为上述的非线性变换，可以表示为：

然后，通过ISTA算法来求解上述的约束最小化问题，对于ISTA算法中的每一次迭代，都分为两个步骤：第一个步骤是梯度下降，第二个步骤则是求解近端算子。在ISTA-Net中，保留了第一梯度下降的步骤如下：

而对于如下式所示的第二个求解近端算子的步骤，只保留了软阈值收缩计算的步骤，在软阈值收缩的前后分别通过几个卷积层和ReLU激活函数来代替传统算法中正则化矩阵的计算步骤：

最后，通过成对的数据对于ISTA-Net进行训练，再将训练好的模型用于逆问题的求解。其中图卷积的实现方式满足下式所示的分层传播规则：

其中：

以下具体实验过程中，我们将本发明整个算法在Windows 10(64位)系统中测试，其中CPU为Intel(R)Core(TM)i9-7900x CPU@3.30GHz 3.31GHz，主机内存为32GB RAM，显卡型号为NVIDIA GeForce GTX 2080Ti，主要编程环境为python 3.8。

为了验证本发明方法在心脏跨膜电位重建的精度和对于心脏疾病的诊断精度，我们应用了上述方法于室性早搏数据和心肌梗死数据，对心脏跨膜电位进行了重建。图2显示了本发明方法和现有TV算法的对于室性早搏数据进行心脏跨膜电位重建的空间对比结果，从本发明重建结果中可以清晰地看到室性早搏发生的位置。图3显示了本发明方法和现有TV算法的对于室性早搏数据进行心脏跨膜电位重建的时间对比结果，图4显示了本发明方法和现有TV算法的对于心肌梗死数据进行心脏跨膜电位重建的空间对比结果，从本发明重建结果中可以清晰地看到心肌梗死发生的位置及面积；图5显示了本发明方法和现有TV算法的对于心肌梗死数据进行心脏激活时序重建的对比结果。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明，熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。