[論文レビュー] CGAN-ECT: Tomography Image Reconstruction from Electrical Capacitance Measurements Using CGANs

Wael Deabes, Alaa E. Abdel-Hakim|arXiv (Cornell University)|Sep 7, 2022

Electrical and Bioimpedance Tomography参考文献 24被引用数 7

ひとこと要約

本稿では、電気容量測定値から直接高品質な静電容量トモグラフィー（ECT）画像を再構築する条件付き生成対抗ネットワーク、CGAN-ECTを提案する。生の電気容量データを変調画像入力に変換し、32万件の合成データセットで学習することで、CGAN-ECTは平均画像相関係数が99.3％以上、相対誤差が0.07未満を達成し、従来手法およびディープラーニングベースのベースラインを上回る精度と速度を実現した。

ABSTRACT

Due to the rapid growth of Electrical Capacitance Tomography (ECT) applications in several industrial fields, there is a crucial need for developing high quality, yet fast, methodologies of image reconstruction from raw capacitance measurements. Deep learning, as an effective non-linear mapping tool for complicated functions, has been going viral in many fields including electrical tomography. In this paper, we propose a Conditional Generative Adversarial Network (CGAN) model for reconstructing ECT images from capacitance measurements. The initial image of the CGAN model is constructed from the capacitance measurement. To our knowledge, this is the first time to represent the capacitance measurements in an image form. We have created a new massive ECT dataset of 320K synthetic image measurements pairs for training, and testing the proposed model. The feasibility and generalization ability of the proposed CGAN-ECT model are evaluated using testing dataset, contaminated data and flow patterns that are not exposed to the model during the training phase. The evaluation results prove that the proposed CGAN-ECT model can efficiently create more accurate ECT images than traditional and other deep learning-based image reconstruction algorithms. CGAN-ECT achieved an average image correlation coefficient of more than 99.3% and an average relative image error about 0.07.

研究の動機と目的

• 従来手法およびディープラーニングベースの手法では遅く、品質が低いECT画像再構築の課題に対処すること。
• 未学習の流れパターンやノイズの多い測定値に対応できる、データ効率的で汎用性の高いディープラーニングフレームワークの開発。
• 強力な画像再構築モデルの学習に適した、大規模かつ高忠実度の合成ECTデータセット（32万件）の作成。
• 反復的手法に代えて条件付きGANアーキテクチャを採用することで、再構築速度と画像品質の向上。
• 電気容量測定値を直接高分解能の誘電率分布にマッピングするCGANの実現可能性の検証。

提案手法

• CGAN-ECTモデルは、U-NetジェネレータとPatchGANディスクラミネーターを用いた条件付きGANフレームワークを採用し、電気容量測定値をECT画像にマッピングする。
• 生の電気容量測定値が、ジェネレータの入力として使用可能な正方形の変調画像表現に変換される。
• 本研究では、さまざまな流れのパターンを有限要素法シミュレーションで生成した32万件の電気容量-画像ペアからなるカスタム合成データセットを用いてモデルを学習した。
• ジェネレータは、敵対的損失、知覚的損失、再構築損失を最小化するように最適化され、高忠実度の画像出力を保証する。
• 条件付き入力により、生成画像が測定された電気容量ベクトルに特に対応して生成されるため、正確な再構築が可能となる。
• 汎用性と耐性を評価するために、未学習の流れパターン、ノイズの多いデータ、実験測定データを用いた評価が実施された。

実験結果

リサーチクエスチョン

• RQ1 生の電気容量測定値から直接ECT画像を再構築できるように、条件付きGANを有効に訓練できるか？
• RQ2 画像品質と速度の観点から、CGAN-ECTは従来手法およびディープラーニングベースの再構築アルゴリズムと比較してどのように性能を発揮するか？
• RQ3 訓練データに含まれない流れパターンに対しても、モデルは汎用性を示せるか？
• RQ4 電気容量測定値にノイズや汚染が加わった場合、CGAN-ECTはどれほど耐性を示すか？
• RQ5 リアルタイム産業応用に適した低計算コストを維持しながら、高精度な再構築が可能か？

主な発見

• CGAN-ECTは、全テスト流れパターンにおいて平均99.3％の画像相関係数を達成し、層流状態では最大99.73％を記録した。
• 平均相対画像誤差は0.07未満であり、層流状態では最小0.0484、プラス型断面では最大0.2534を記録した。
• 五角形バーおよびプラス型の未学習の流れパターンにおいても、相関係数が93％以上、誤差が0.26未満を維持し、優れた汎用性を示した。
• LBP、Tikhonov、ILM、CNNベースラインと比較して、画像品質および再構築速度の両面で優れた性能を示し、1枚あたり0.062秒の時間コストを達成した。
• 実験データでは、CGAN-ECTは鋭いエッジと最小限のアーチファクトを持つ画像を生成し、LBPや反復的手法と比較して視覚的および定量的品質で顕著に優れた結果を示した。
• LBPよりわずかに遅延（0.026秒）であったが、TikhonovやILMを上回る速度であり、優れた精度を兼ね備えるため、産業用途への導入に適している。