基于体外混合边缘检测的电阻率断层扫描数据脑卒中分类

电阻率断层扫描（EIT）是一种从电边界测量中恢复物理实体内部电导率的非侵入性成像方法。EIT结合机器学习已显示出对脑卒中分类具有潜力。然而，大多数先前工作使用原始EIT电压数据作为网络输入。我们基于最近一次发展，该发展建议使用特定噪声鲁棒的虚拟混合边缘检测（VHED）函数作为网络输入，尽管该工作仅使用高度简化和数学理想的模型。本文加强了使用EIT，特别是VHED函数进行脑卒中分类的论证。我们设计了具有高细节和数学真实性的模型，以测试VHED函数作为输入。通过使用具有物理细节的2D头部模型创建虚拟患者，该模型包括已知会在现实世界成像场景中造成挑战的特征。电导值从统计上真实的分布中抽取，幻体受到各种形状和大小的出血性或缺血性卒中影响。使用真实的Complete Electrode Model（CEM）而非数学理想的连续模型生成的模拟噪声EIT电极数据，被处理以获得VHED函数。我们将VHED函数作为输入与使用原始EIT电压的备选范式进行比较。我们的结果表明：（i）可以使用来自物理细致且数学真实的模型的2D EIT数据以高精度进行脑卒中分类，（ii）在存在噪声的情况下，VHED函数作为网络输入的性能优于原始数据。