[論文レビュー] A D-bar Algorithm with A Priori Information for Electrical Impedance Tomography

Melody Alsaker, Jennifer L. Mueller|arXiv (Cornell University)|May 5, 2015

Electrical and Bioimpedance Tomography参考文献 24被引用数 5

ひとこと要約

本稿では、導電率分布および臓器境界に関する事前情報を取り入れた2次元電気インピーダンストモグラフィー（EIT）の最初の直接的D-bar再構成アルゴリズムを提示する。2つの手法—ブラインド推定と導電率抽出—を用いて散乱変換を事前知識に基づいて修正することで、特にノイズの高い条件下でも空間分解能が顕著に向上することが、実際のパトロンと最大0.2%のノイズレベルを想定した数値シミュレーションで示された。

ABSTRACT

A method for including a priori information in the 2-D D-bar algorithm is presented. Two methods of assigning conductivity values to the prior are presented, each corresponding to a different scenario on applications. The method is tested on several numerical examples with and without noise and is demonstrated to be highly effective in improving the spatial resolution of the D-bar method.

研究の動機と目的

• 不適切な定式化と測定ノイズによるEITの低空間分解能の課題に対処する。
• 肺画像診断において繰り返しCTスキャンの代替として、非侵襲的で放射線を発生させないEITを可能にする。
• D-barフレームワークに解剖学的および導電率に関する事前情報を組み込む非反復的（直接的）な再構成手法を開発する。
• 臓器境界と概ねの導電率値に関する事前知識を散乱変換に組み込むことで、画像品質を向上させる。
• 変動するノイズレベルと実際の解剖的パトロンを用いたEITデータに対して、本手法の有効性を実証する。

提案手法

• 事前導電率推定値を用いて散乱変換を修正することで、2次元D-bar再構成アルゴリズムに事前情報を統合する。
• 2つの異なる事前割り当て手法を用いる：(1) ブラインド推定—臓器位置に関する事前知識に基づき、事前導電率値を割り当てる；(2) 抽出—例としてCT画像からピクセル単位の平均を用いて導電率値を抽出する。
• 正則化パrameter α と半径 R₂ を導入し、散乱変換計算における事前の影響を制御する。
• 修正された散乱変換を用いてD-bar再構成手順を実行し、導電率分布 σ(x,y) を計算する。
• 反復的リファインメントステップ（後処理）を実装し、再構成された σ を用いて事前推定値を更新することで、精度を向上させる。
• 測定されたディリクレ・トゥ・ノイマン（DN）データから複素幾何学的オーバーラップ（CGO）解を計算するために、Faddeevのグリーン関数と境界積分方程式を用いる。

実験結果

リサーチクエスチョン

• RQ1 臓器境界および導電率値に関する事前情報は、EITの非反復的D-barアルゴリズムに効果的に統合可能か？
• RQ2 ノイズの高い条件下で、事前知識の組み込みがD-bar再構成の空間分解能と精度にどのように影響を与えるか？
• RQ3 ノイズの存在下で、ブラインド推定と導電率抽出のどちらの事前割り当て手法が優れた画像品質をもたらすか？
• RQ4 標準的なD-bar再構成と比較して、事前情報付きD-bar法はアーティファクトをどれほど低減し、詳細回復をどれほど向上させられるか？
• RQ5 事前画像が不正確であるか、導電率推定に誤差を含む場合でも、本手法はロバスト性を維持できるか？

主な発見

• 提示された事前情報付きD-barアルゴリズムは、標準的なD-bar法と比較して、特にノイズの高い条件下で空間分解能が顕著に向上した。
• 0.2%のノイズ条件下で、α=0.5およびR₂=1.5を用いた抽出法による再構成では、背骨領域の相対誤差が0.163にまで低下した。これは、事前画像の0.177よりも精度が向上したことを示している。
• 1回の反復ステップを用いたブラインド推定法では、0%ノイズ条件下で心臓領域の相対誤差が、事前情報なしの0.798から0.681に低下し、効果的な事前知識の活用が確認された。
• 抽出法は、全領域および全ノイズレベルにおいて、相対誤差を低減する点でブラインド推定法を常に上回り、特に肺および大動脈領域で顕著であった。
• 0.2%のノイズ条件下でも、アルゴリズムは安定性を保ち、空間分解能が向上した。最良の再構成では、背骨領域の相対誤差が0.163にまで低下した。
• 視覚的再構成（図6～14）は、αおよびR₂による事前強度の増加が、特に肺および心臓領域で境界を明瞭にし、ぼやけを低減することを示している。