[논문 리뷰] A Learning-Based 3D EIT Image Reconstruction Method

Zhaoguang Yi, Zhou Chen외 1명|arXiv (Cornell University)|2022. 08. 30.

Electrical and Bioimpedance Tomography인용 수 4

한 줄 요약

이 논문은 3D 전기저항율 단층촬영(EIT) 문제에서 이미지 품질과 노이즈에 대한 강건성을 향상시키기 위해 전치 컨볼루션 신경망을 활용하는 새로운 학습 기반 3D EIT 이미지 재구성 방법인 TN-Net을 제안한다. 시뮬레이션과 실험을 통해 평가된 TN-Net은 기존의 3D EIT 재구성 알고리즘에 비해 뛰어난 성능과 일반화 능력을 보여준다.

ABSTRACT

Deep learning has been widely employed to solve the Electrical Impedance Tomography (EIT) image reconstruction problem. Most existing physical model-based and learning-based approaches focus on 2D EIT image reconstruction. However, when they are directly extended to the 3D domain, the reconstruction performance in terms of image quality and noise robustness is hardly guaranteed mainly due to the significant increase in dimensionality. This paper presents a learning-based approach for 3D EIT image reconstruction, which is named Transposed convolution with Neurons Network (TN-Net). Simulation and experimental results show the superior performance and generalization ability of TN-Net compared with prevailing 3D EIT image reconstruction algorithms.

연구 동기 및 목표

• 기존의 2D 중심의 EIT 재구성 방법을 3D로 확장할 때 증가한 차원 수로 인해 성능이 떨어지는 문제를 해결하기 위해.
• 3D EIT 재구성에서 높은 이미지 품질과 노이즈에 대한 강건성을 유지하는 학습 기반 접근법을 개발하기 위해.
• 체적 저항율 데이터에 특화된 전용 딥 러닝 아키텍처를 도입하여 3D EIT 이미지 재구성의 격차를 메우기 위해.
• 다양한 시뮬레이션 및 실험 조건에서 제안된 방법의 일반화 능력을 평가하기 위해.

제안 방법

• 제안된 방법인 전치 컨볼루션 신경망(TN-Net)은 경계 전압 측정값에서 3D EIT 이미지를 재구성하기 위해 전치 컨볼루션 기반의 딥 네ural 네트워크 아키텍처를 사용한다.
• TN-Net는 대규모 시뮬레이션 3D EIT 데이터셋을 사용하여 엔드 투 엔드로 훈련되며, 경계 측정값에서 내부 도전도 분포로의 역함수 매핑을 학습한다.
• 네트워크 설계에는 훈련 안정성 향상과 고차원 공간 내 특징 학습 향상을 위한 스킵 연결과 정규화 레이어가 통합되어 있다.
• 훈련 중에는 예측된 도전도 분포와 진짜 값 간의 평균 제곱오차 손실 함수를 사용하여 모델을 최적화한다.
• 3D 체적 데이터로부터 공간 계층을 학습하여 3D EIT 역문제의 악조건 문제를 효과적으로 다룰 수 있도록 아키텍처가 특별히 설계되어 있다.
• 훈련 단계에서 데이터 증강 및 정규화 기법을 적용하여 일반화 능력을 향상시켰다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 접근법이 기존의 2D 확장 방법의 한계를 극복하고, 고정밀도와 노이즈 강건성을 갖춘 3D EIT 이미지를 효과적으로 재구성할 수 있는가?
• RQ2 TN-Net 모델은 이미지 품질과 일반화 능력 측면에서 최신 3D EIT 재구성 알고리즘과 비교해 성능가 어떻게 다른가?
• RQ3 3D 컨볼루션 네트워크 아키텍처에서 전치 컨볼루션을 사용할 경우 EIT에서 도전도 분포 재구성에 어떤 정도 향상이 이루어지는가?
• RQ4 모델은 다양한 시뮬레이션 및 실제 실험 조건에서 뛰어난 성능을 유지하는가?

주요 결과

• TN-Net는 구조적 유사도와 정규화된 평균 제곱오차로 측정된 바, 기존의 전통적 3D EIT 재구성 알고리즘에 비해 훨씬 높은 이미지 품질을 달성한다.
• 경계 전압 측정값의 노이즈에 대해 뛰어난 강건성을 보이며, 고노이즈 조건에서도 정확한 재구성을 유지한다.
• 실험적 검증에서 TN-Net은 국소화 정확도와 대trast 해상도 측면에서 기존의 학습 기반 및 물리 모델 기반 3D EIT 방법을 모두 능가했다.
• 모델은 다양한 피피지 기하형태와 도전도 분포에 대해 잘 일반화되어 있어, 예측되지 않은 데이터에 대한 강력한 적응 능력을 보였다.
• TN-Net에서 전치 컨볼루션의 사용은 3D 공간적 의존성을 효과적으로 학습하여 더 선명하고 세밀한 재구성 이미지를 가능하게 했다.
• 모든 테스트된 시뮬레이션 및 실험 시나리오에서 네트워크 성능이 기준 방법보다 일관되게 뛰어나게 나타났다.