BREIT: A Framework for Brain Stroke Reconstruction using Multi-Frequency 3D EIT

技术摘要：用于 3D 多频电阻抗断层成像（MF-EIT）中卒中重建的 BREIT 与 dFNO-bar

问题陈述
多频电阻抗断层成像（MF-EIT）为快速评估卒中提供了一种具有前景的、非侵入性且便携的 CT/MRI 替代方案，能够通过头皮电极进行连续监测。然而，3D 深度学习重建 MF-EIT 方法的发展受到两个主要问题的阻碍：(1) 缺乏包含配对地面真值（GT）体素与边界测量数据的规模化数据集；(2) 数据生成、模拟和评估的流程缺乏标准化。现有文献通常依赖于不一致的模型假设、简化的 2D 工作流，或缺乏用于系统基准测试的集成工具，这使得在不同卒中类型和数据集之间进行可重复的比较变得困难。

方法论
作者引入了 BREIT，这是一个模块化框架，旨在统一基于放射学的导纳生成、现实的 MF-EIT 模拟以及深度学习基准测试。该框架通过以下流程运行：

1. 神经影像到 EIT 的管线：

   • 数据源： 该管线以公开的 UCLH MF-EIT 卒中队列为基础，并扩展到外部 MRI/CT 数据集（缺血性、出血性和健康对照）以扩充训练数据。
   • 分割与映射： 将受试者特异性的 CT/MRI 扫描注册到 MNI152 标准空间。使用 FSL、ANTs 和 DeepBleed 等工具进行组织分割（灰质、白质、脑脊液）和病灶分割（缺血性或出血性）。
   • 导纳生成： 将四类分割结果映射到频率相关的复数导纳（$\gamma = \sigma + i\omega\epsilon$），利用 17 个频率（5–2000 Hz）下的文献值，为每个受试者生成 17 个 GT 导纳体素。

2. 前向模拟 (3D CEM)：

   • 一个自包含的 Python 求解器使用有限元法（FEM）实现 3D 完全电极模型（CEM）。
   • 它使用 UCLH 电极几何结构和注入协议，在真实的头部网格上（用于模拟的精细网格 $\approx$ 100 万个四面体，用于重建的粗糙网格 $\approx$ 7.5 万个）模拟 MF-EIT 电压。
   • 该求解器已通过 EIDORS 库和临床 UCLH 测量值进行了验证，显示出高相关性（平均 $r \approx 0.82$）和低归一化均方误差。

3. 重建算法 (dFNO-bar)：

   • 3D D-bar 基础： 该框架实现了一种支持非均匀电极布局的 3D D-bar 重建方法。它利用球面 Voronoi 面积权重来处理非均匀电极分布，并使用 $t_{exp}$ 和 $t_0$ 近似值计算散射数据 ($t(\xi)$)。
   • dFNO-bar 架构： 提出的 dFNO-bar 模型将傅里叶神经算子（FNO）与 D-bar 结构相结合。
     • 输入： 它接受在四个不同截断半径（$T_\xi \in \{5, 7, 9, 11\}$）下计算的复数散射数据 $t_0(\xi)$，通过堆叠实部和虚部形成一个 8 通道的输入体素。
     • 处理： 一个 3D FNO 模块学习从散射域到粗糙电导率体素的映射。随后是一个轻量级的 3D U-Net 解码器，通过将粗糙输出与原始 8 通道散射输入进行拼接（总计 9 通道）来细化预测。
     • 输出： 最终输出为重建的电导率 $\sigma(x) = \Re\{\gamma\}$。

核心贡献

1. 多模态数据生成： 一个将 CT/MRI 转换为 3D 频率相关导纳体素并配对模拟 MF-EIT 电压的管线，解决了 GT 数据匮乏的问题。
2. 3D CEM + D-bar 工具集： 一个 3D D-bar 组件的 Python 实现，包括通过 Voronoi 权重支持非均匀电极布局。
3. dFNO-bar 模型： 一种新型重建模型，结合了多截断 D-bar 散射数据、FNO 和 U-Net 精细化处理，以学习从散射到电导率的映射。
4. 模块化代码库： 一个端到端的、可重复的框架，用于跨卒中类型的生成、训练和评估，从而促进标准化的基准测试。

结果
作者使用合成数据（250 例缺血性、219 例出血性和 193 例健康对照）并在添加噪声（50 dB, 40 dB）的情况下，将 dFNO-bar 与经典基准（单步 Gauss-Newton、D-bar）以及深度学习基准（Deep D-bar）进行了评估。

• 定量性能： dFNO-bar 在所有噪声水平下均获得了最高的结构相似性指数（SSIM）。例如，在无噪声条件下，dFNO-bar 的 SSIM 为 44.13，而 Deep D-bar 为 40.09，D-bar 为 0.25。在噪声环境下，其相关系数（CC）与 Deep D-bar 相当，但在无噪声条件下略高。
• 统计显著性： 配对检验显示，在所有噪声设置下，dFNO-bar 相较于 Deep D-bar 在 SSIM 上均有显著提升（$p \ll 0.01$）。
• 效率： 与 Deep D-bar 相比，dFNO-bar 使用的参数更少（67.2M 对比 90.3M）且内存占用更低（0.59 GB 对比 0.69 GB），尽管推理时间稍长（0.32s 对比 0.23s）。
• 视觉质量： 定性比较表明，与竞争方法相比，dFNO-bar 能更准确地预测病灶的位置、形状和大脑结构。

意义
本文将 BREIT 定位为实现 3D MF-EIT 卒中重建中可重复且标准化研究的关键一步。通过提供一个连接神经影像、现实模拟和深度学习的统一框架，它解决了当前建模假设和模拟细节碎片化的问题。作者声称，dFNO-bar 证明了将傅里叶神经算子集成到 D-bar 框架中可以提高重建质量（特别是 SSIM）同时保持效率。该工作旨在加速开发稳健的 3D MF-EIT 方法，以用于对时间敏感的卒中评估，未来的工作计划解决通过部分边界方法进行的临床评估以及更广泛的解剖多样性问题。