基于半孪生U-Net的肺电阻抗断层成像中心脏相关信号重建新方法

来自国内的研究人员针对电阻抗断层成像(EIT)在心脏信号重建中的局限性，创新性地开发了半孪生U-Net深度学习模型。该模型通过共享编码器和双解码器架构，成功实现了肺与心脏区域的精准分割（Dice>0.99），为ICU中肺-心同步监测提供了新思路。

　　

在重症监护领域，电阻抗断层成像(Electrical Impedance Tomography, EIT)作为无创床旁监测技术虽已广泛应用于肺部通气评估，却长期受困于心脏相关信号重建难题——肺阻抗变化的强干扰使得心脏信号如同"大海捞针"。科研团队另辟蹊径，将深度学习领域的半孪生(Semi-Siamese)架构与经典U-Net相结合，打造出具有共享编码器和双独立解码器的智能模型。这个"一脑两用"的创新设计，既保证了特征提取的协同性，又实现了肺区与心区的精准解耦。

研究团队先通过有限元法(FEM)构建的仿真数据集进行模型训练，采用加权二元交叉熵损失函数强化心脏特征学习。令人振奋的是，在未进行额外微调的情况下，该模型对真实人体EIT数据仍展现出惊人的泛化能力：不仅达到Dice系数>0.99的分割精度，平均绝对误差(MAE)更控制在0.1%以下。这意味着那些原本湮没在肺通气信号中的心动周期变化，如今能够被清晰捕捉并可视化。

这项突破性研究为ICU中肺-心交互机制研究打开了新窗口，特别是对急性呼吸窘迫综合征(ARDS)患者呼气末正压(PEEP)设置的优化指导具有重要价值。不过研究者也坦言，当前成果在真实数据定量评估方面仍有提升空间，下一步将着力推进临床验证和实时监测系统的开发。当人工智能遇上生物阻抗成像，这场"心肺分离术"正在重新定义重症监护的监测维度。