DSFNet：一种双源时空特征融合网络，用于结合电阻抗断层扫描技术进行肺部损伤的床旁诊断

《Medical Image Analysis》：DSFNet: Dual-source and spatiotemporal-feature fusion network for bedside diagnosis of lung injuries with electrical impedance tomography

电气阻抗断层成像（EIT）结合边界电压和通风图像的多模态融合网络DSFNet在肺损伤分类中取得97.78%和96.55%的准确率，通过TDM模块提取动态特征，MHSA模块增强空间注意力，并构建混合数据学习策略解决样本量不足问题。

　　

李志伟|吴阳|刘凯|张颖琦|陈柏|王浩|姚家峰

南京航空航天大学机械与电气工程学院，南京，210000，中国

摘要

电阻抗断层成像（EIT）是一种有前景的无创实时肺部监测工具，但数据的异质性和低空间分辨率限制了其诊断肺部损伤的能力。为了解决这些挑战，我们提出了DSFNet，这是一个双源和时空特征融合网络，它整合了EIT的时空边界电压和通气图像来分类四种肺部状况，包括健康（HE）、气胸（PN）、胸腔积液（PE）和肺炎（PM）。时间动态建模（TDM）模块和多头自注意力（MHSA）模块被设计用来改进DSFNet的时间特征提取和表示。我们构建了一个新的EIT模拟数据集，描述了病理性的呼吸模式，并引入了一种混合数据学习策略，结合了模拟数据（SD）和实验数据（ED）来解决小样本问题并提高模型分类的准确性。使用SD + 25% ED模式训练的DSFNet在动态幻影数据集和临床人类数据集上分别达到了97.78%和96.55%的准确率，证明了其出色的性能和鲁棒性。SHAP分析进一步揭示了输入数据的特征贡献。本研究提供了一种基于多源EIT数据的有效肺部损伤诊断方法。

引言

肺部损伤是一个重大的全球健康负担，与较高的发病率和死亡率相关（Chen等人，2024a）。急性肺损伤（ALI）很容易进展为急性呼吸窘迫综合征（ARDS）。早期识别和持续监测肺部异常对于及时干预和改善患者预后至关重要（Metlay等人，2019）。从病因学上讲，肺部损伤可以大致分为感染性和创伤性。感染性疾病主要由细菌性和病毒性肺炎引起，而创伤性疾病主要由于胸部钝伤导致气胸和胸腔积液。当前的诊断方法严重依赖于影像学检查和肺功能测试（PFTs）（Kanj等人，2023；Lee等人，2025）。尽管影像学检查提供了高分辨率的解剖信息，但它们受到辐射暴露、传输困难和高昂检查成本的限制。PFTs要求患者进行强力呼气，这给患者带来了相当大的身体负担。

肺部电阻抗断层成像（EIT）是一种基于胸部周围边界电压测量重建与通气相关的阻抗变化的可视化技术（He等人，2025；Zhang等人，2025）。它具有无创、无辐射和适用于床边监测的优点（Fratti等人，2024；Zhang等人，2024）。EIT的实时和床边成像能力使其在重症监护、术中麻醉监测和指导机械通气设置等监测应用中非常有价值（Li等人，2025b；Songsangvorn等人，2024）。然而，EIT在诊断应用中仍然受到限制，主要是由于其低空间分辨率，这阻碍了像CT那样清晰地可视化肺部病理结构（Scaramuzzo等人，2024）。尽管如此，动态EIT图像仍然包含丰富的有价值的肺功能参数，包括全局阻抗变化（ΔZ）、FEV1/FVC、通气中心（CoV）、全局不均匀性（GI）和区域通气延迟指数（RVDI）（Francovich等人，2024；Lasarow等人，2021）。

最近的研究探索了基于从EIT图像中提取的特征的肺部疾病分类。相关方法大致可以分为两条技术路径。一条路径是基于图像特征参数，通过从EIT图像中提取时间和空间指标来进行分类（Lehr等人，2023；Morais等人，2024）。这种方法的优点是计算成本低且易于与传统生理指标对齐，但其特征维度低且依赖于主观解释。另一条路径涉及机器学习分类方法，这些方法自动从EIT图像中学习区分性特征（Cansiz等人，2025；Zhang等人，2018）。这种方法在高维非线性建模方面具有很强的能力，能够发现时空分布中的肺部功能障碍隐藏模式。然而，其应用仍面临几个挑战，包括样本量有限、硬件部署困难以及模型泛化能力受限。

尽管EIT图像包含丰富的生理信息，但仅依赖单源图像不足以支持肺部损伤的诊断。实际上，EIT的数据来源包括电压和图像。大多数现有研究只考虑了EIT图像，而忽略了电压信息。边界电压是EIT的原始测量值，对局部肺部病变引起的区域导电性的微妙变化非常敏感。例如，气胸中的导电性降低、胸腔积液中的导电性增加以及肺炎引起的局部异常。EIT图像是通过将重建算法应用于边界电压获得的，提供了关于通气区域的形状、位置和范围的空间信息。然而，重建过程不可避免地会导致某些特征的丢失。因此，以互补的方式整合电压和图像信息，建立多源EIT融合机制，是一种有前景且可靠的策略，可以提高诊断准确性。

总体而言，基于EIT的肺部损伤诊断面临几个关键挑战，包括：1）成像分辨率有限，难以清晰地可视化解剖结构；2）传统的EIT参数（如ΔZ、GI、CoV和RVDI）依赖于主观选择，维度有限，难以捕捉复杂的病理特征；3）机器学习模型受到EIT数据样本数量有限的约束，难以支持深度网络训练并确保泛化性能。

本文提出了一种双源和时空特征融合网络（DSFNet），整合了EIT的时空边界电压和通气图像。引入了时间动态建模（TDM）模块和多头自注意力（MHSA）模块来增强网络捕获时间特征的能力。为了缓解实验样本量有限的问题，在训练过程中引入了模拟数据集，并通过动态幻影实验和临床人类实验进行了多级评估。结果表明，DSFNet在健康、气胸、胸腔积液和肺炎的分类性能上表现出色，具有很高的泛化能力和临床适用性。本研究的主要贡献如下：

• 1)
  提出了一种双源和时空特征融合网络（DSFNet）。该设计有效地提取了局部边界电压信号和全局通气图像信息，增强了多模态特征表示的表达能力。
• 2)
  引入了由长短期记忆（LSTM）和液态神经网络（LNN）单元组成的TDM模块，以增强网络捕获时间特征的能力，而MHSA模块提高了其对时空肺功能模式的关注。
• 3)
  首次构建了包括健康（HE）、气胸（PN）、胸腔积液（PE）和肺炎（PM）的模拟EIT数据集。通过采用混合数据学习策略，DSFNet模型在动态幻影和临床人类实验中的分类准确性和泛化能力得到了提高。
• 4)
  DSFNet模型在噪声鲁棒性测试、动态幻影实验和临床人类实验中表现出对HE、PN、PE和PM样本的出色分类性能，证实了其在肺部损伤诊断中的潜力。

部分摘录

基于图像参数的EIT诊断方法

近年来，一些研究专注于从EIT图像的时间和空间维度中提取生理意义上的参数来分类各种肺部疾病。He等人使用EIT和盐水灌注来建立重症监护患者的通气缺陷评分（Defect_V）、灌注缺陷评分（Defect_Q）和死腔百分比（DeadSpace_%）（He等人，2021）。这些参数成功地将急性呼吸衰竭分为三种病因类型

EIT正向问题

考虑一个2-D胸腔域，其中16个电极均匀分布在边界上，如图1所示。完整的电极模型（CEM）用于定义EIT正向问题的边界条件，有限元方法（FEM）用于数值求解。在有限元网格的节点处定义离散导电性，每个元素的导电性由其三个节点导电性的平均值近似。简化形式可以

实施细节

本研究专注于四种肺部状况的分类：健康（HE）、气胸（PN）、胸腔积液（PE）和肺炎（PM）。所有模型都在TensorFlow平台上使用RTX 4070 Ti GPU卡实现和评估。网络使用Adam优化器进行训练，初始学习率为0.001，批量大小为64，最大训练周期为200。为了防止过拟合，应用了耐心值为10的早期停止策略，以及动态

鲁棒性测试结果

表3展示了在不同信噪比（SNR）水平下提出的DSFNet模型的分类结果。随着噪声水平的降低，所有评估指标都显示出一致的改进，错误率在重复训练过程中下降（图8a）。总体而言，DSFNet在五个SNR水平上保持了高鲁棒性，准确率（Acc）>90%，F1-macro > 0.90，k_w > 0.80，Log Loss < 0.40。具体来说，DSFNet在Acc（99.73%）、F1-macro（0.998）、k_w（0.990）和Log

讨论

我们提出了一种双源和时空特征融合网络，该网络整合了EIT的时空边界电压和通气图像，用于肺部损伤的诊断。采用结合模拟和实验数据的混合数据学习策略，提高了所提出的DSFNet模型在分类四种肺部状况（HE、PN、PE和PM）时的鲁棒性和准确性，这一点通过动态幻影和临床人类实验得到了验证。

通过整合肺部CT图像

结论

在这项工作中，我们提出了一种双源和时空特征融合网络（DSFNet），它整合了EIT的时空边界电压和通气图像，以实现肺部损伤的鲁棒和准确诊断。引入了TDM和MHSA模块来增强网络在提取和分类时间特征方面的性能。结合模拟和实验数据的混合数据学习策略在提高分类准确性方面的优势和可行性

CRediT作者贡献声明

李志伟：撰写——原始草稿，验证，软件，方法论，调查，数据管理，概念化。吴阳：可视化，软件，资源，方法论，资金获取，形式分析，概念化。刘凯：监督，资源，项目管理，资金获取，形式分析。张颖琦：验证，资源，调查，数据管理。陈柏：监督，项目管理，方法论，资金获取，概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了中国国家自然科学基金（编号62271251、62471225、62501288）、中国博士后科学基金（编号2025M771376）、中央指导的地方科技发展资金项目（编号236Z7731G）和江苏省科技计划专项基金（编号BZ2024036）的支持。