体外成像中微阻抗断层重建算法的比较评估

《ACS Sensors》：A Comparative Evaluation of Microimpedance Tomography Reconstruction Algorithms for in Vitro Imaging

微型EIT系统与1D-CNN图像重建模型在合成及实验数据中均显著优于传统Gauss–Newton和总变差方法，实现5倍误差降低，并成功应用于斑马鱼胚胎发育实时监测。

　　本研究介绍了一种新型的微型电导率成像（Electrical Impedance Tomography, EIT）系统，该系统采用玻璃作为核心材料，同时开发了一个开源的机器学习图像重建模型。该模型基于一维卷积神经网络（1D-CNN），通过合成数据和实验数据对重建效果进行了全面的定性和定量评估，并与传统方法如一阶高斯-牛顿法（GN）和总变分重建法（TV）进行了对比。实验结果表明，该1D-CNN模型在合成数据中实现了高达5倍的均方误差（MSE）降低，在实验数据中也表现出优越的图像重建能力，包括平均位置精度达到147微米，平均尺寸分辨率达到70微米。此外，研究团队利用该平台观察了斑马鱼从胚胎到幼鱼的发育过程，展示了该系统的生物成像兼容性。

EIT是一种通过在多个电极对之间施加微小电流并测量相应电压来重建测量区域内部电导率分布的成像技术。它在生物医学领域具有广阔的应用前景，因为其具有成本效益、非侵入性和无标记的特点。EIT最初被用于呼吸分析，通过在受试者背部和胸部放置电极阵列，建立等势面并连接电压源。如今，EIT被广泛用于监测患者的呼吸情况，通过在患者胸部周围布置电极阵列，测量肺容量变化所引起的电导率差异。EIT技术不仅可以用于人体，还适用于小型生物体，例如小鼠大脑的电活动监测。研究者们尝试将EIT应用于细胞培养系统，以实现非侵入性的细胞生长和响应研究。例如，Lemmens等人使用了直径为20毫米、8个电极的环形微EIT装置，用于酵母培养的监测。Yin等人则开发了一种新型的双环EIT传感器，具有16个测量电极和12毫米的直径，专门用于三维成像细胞聚集体和研究细胞对药物的反应。尽管这些进展在一定程度上提高了EIT的微型化水平，但仍然存在一些明显的局限性，例如分辨率不足（通常在毫米级别）以及图像重建算法的不完善。

随着EIT技术的发展，研究人员逐渐认识到，传统的图像重建方法在某些情况下无法提供足够的精度和清晰度。特别是当处理具有复杂电导率分布的生物样本时，这些方法往往无法准确捕捉到细节信息。为了克服这一问题，研究者们开始探索使用监督机器学习（Supervised Machine Learning, ML）方法来改进EIT的图像重建效果。例如，Li等人使用了基于1D-CNN的图像重建模型，而Wei等人则开发了一种结合深度学习的主导电流管道（Dominant-Current Deep Learning pipeline），以提高图像的准确性和计算效率。这些研究虽然在特定条件下表现出良好的重建性能，但缺乏与传统方法的系统比较，并且主要针对人体胸部尺寸的EIT系统。此外，他们的实验验证仅限于非生物的模拟数据，未能充分反映真实生物样本的复杂性。

为了进一步推动EIT在生物医学领域的应用，本研究提出了一种全新的微EIT芯片平台，该平台结合了透明玻璃基底和16个电极的环形阵列，直径仅为4毫米。这种设计不仅降低了图像重建的计算负担，还允许无干扰的光学观察，从而实现了对生物样本的高精度监测。研究团队还开发了一个基于Python的1D-CNN图像重建框架，该框架通过合成数据进行训练和验证，并与现有的开源工具如PyEIT和EIDORS进行了对比。合成数据的生成基于EIDORS工具包，模拟了不同电导率和电极配置下的成像情况。通过这些合成数据，研究人员能够对CNN模型进行系统性的评估，并进一步验证其在真实实验条件下的表现。

在实验测试中，研究人员使用了多种材料的物体，包括3D打印的球体（电导率范围为10?11至10?21 S/m）、锡球（电导率范围为7至9 MS/m）和斑马鱼卵（卵膜电导率为10?? S/m，卵黄核心电导率为0.2 S/m）。这些物体被放置在测量腔室内，其位置和电导率均被精确控制。实验结果显示，CNN模型在重建图像的边缘清晰度和形状识别方面优于TV方法，同时在位置和尺寸的估计上也表现出更高的准确性。特别是在使用op–ad模式时，CNN模型能够更有效地捕捉到位于测量区域中心的物体，而TV方法则在边缘区域表现出更高的误差。这一结果与合成数据的评估一致，表明CNN模型在不同电极配置下具有良好的适应性和稳定性。

此外，研究团队还通过光学显微镜图像对CNN模型的重建效果进行了定量分析。通过图像分割技术，研究人员计算了CNN模型在重建斑马鱼卵的位置和尺寸时的平均误差，分别为147微米和70微米。这些误差主要来源于光学图像的折射效应和图像分割算法的局限性。然而，总体而言，CNN模型在不同实验条件下均表现出较高的准确性，尤其是在处理多个物体时，其在op–ad模式下的表现尤为突出。实验还表明，CNN模型在低信噪比（SNR）条件下仍能保持较高的重建质量，尽管在极端低SNR下其性能会有所下降。这表明，CNN模型在实际应用中具有较强的鲁棒性，能够在不同噪声水平下提供可靠的成像结果。

本研究的一个重要应用是利用微EIT系统监测斑马鱼从胚胎到幼鱼的发育过程。研究人员在72小时内对斑马鱼胚胎进行了连续的EIT成像，并与光学显微镜图像进行了对比。结果显示，CNN模型能够准确捕捉到斑马鱼在不同发育阶段的形态变化和电导率分布，尽管在某些时间点上，由于胚胎形状的复杂性和电导率变化的不确定性，重建效果略低于光学显微镜。然而，总体而言，CNN模型仍然能够反映斑马鱼发育的主要趋势，例如形态的变化和皮肤结构的形成。这一应用展示了微EIT系统在生物成像方面的潜力，同时也为未来在生物医学领域的进一步发展提供了重要的实验基础。

研究团队还讨论了微EIT平台和图像重建模型的未来发展方向。首先，他们提出可以通过引入氧化铟锡（Indium-Tin Oxide, ITO）材料，进一步提高微EIT芯片的透明度，使其能够完全兼容光学成像。其次，他们计划对电极阵列进行更小规模的优化，以提高系统的空间分辨率和灵敏度。然而，目前的1D-CNN模型仍然受到合成训练数据的限制，这些数据主要基于光滑且均匀的电导率分布，而未能涵盖复杂的生物结构。因此，未来的研究方向将包括使用更多样化的训练数据，以及结合多频率EIT测量，以提高模型对生物样本内部结构的识别能力。

综上所述，本研究提出了一种基于玻璃的微EIT平台和配套的1D-CNN图像重建模型，为生物医学成像提供了一种新的解决方案。该平台在分辨率、精度和适应性方面均表现出色，特别是在处理多个物体和复杂生物样本时，CNN模型能够提供更清晰的图像和更准确的重建结果。此外，该研究还通过实验验证了微EIT系统在生物成像中的实际应用价值，展示了其在监测斑马鱼发育过程中的潜力。未来，随着技术的进一步发展，微EIT有望成为一种可靠的生物过程观察工具，为精准医学和药物开发提供新的研究手段。