[논문 리뷰] CGAN-ECT: Tomography Image Reconstruction from Electrical Capacitance Measurements Using CGANs

Wael Deabes, Alaa E. Abdel-Hakim|arXiv (Cornell University)|2022. 09. 07.

Electrical and Bioimpedance Tomography참고 문헌 24인용 수 7

한 줄 요약

이 논문은 원시 용량 측정값에서 직접 고품질 전기용량 톰그래피(ECT) 영상을 복원하는 조건부 생성 적대적 네트워크인 CGAN-ECT를 제안한다. 원시 용량 데이터를 변조된 이미지 입력으로 변환하고 32만 건의 합성 데이터셋으로 훈련함으로써, CGAN-ECT는 평균 영상 상관계수 99.3% 이상, 상대 오차 0.07 이하의 성능을 달성하여 기존의 전통적 및 딥러닝 기반 기준보다 정확도와 속도 면에서 뛰어나다.

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.

연구 동기 및 목표

• 기존의 전통적 및 딥러닝 기반 방법이 느리고 저품질의 ECT 영상 복원을 유발하는 문제를 해결하기 위해.
• 훈련 데이터에 없던 유동 패턴과 노이즈가 있는 측정값을 처리할 수 있는 데이터 효율적이고 일반화 능력이 뛰어난 딥러닝 프레임워크를 개발하기 위해.
• 강건한 영상 복원 모델을 훈련하기 위해 사용할 수 있는 대규모 고해상도 합성 ECT 데이터셋(32만 건)을 구축하기 위해.
• 반복적 방법을 대체함으로써 복원 속도와 영상 품질을 향상시키기 위해 조건부 GAN 아키텍처를 도입하기 위해.
• 용량 측정값을 직접 고해상도 허용도 분포로 매핑하는 데 있어 CGAN의 가능성을 입증하기 위해.

제안 방법

• CGAN-ECT 모델은 U-Net 생성자와 PatchGAN 판별자를 사용하는 조건부 GAN 프레임워크를 활용하여 용량 측정값에서 ECT 영상으로의 매핑을 수행한다.
• 원시 용량 측정값은 생성자의 입력이 되는 정사각형 형태의 변조된 이미지 표현으로 변환된다.
• 모델은 다양한 유동 패턴의 유한요소 시뮬레이션을 통해 생성된 32만 건의 용량-영상 쌍으로 구성된 맞춤형 합성 데이터셋으로 훈련된다.
• 생성자는 적대적 손실, 지각적 손실, 복원 손실을 최소화하도록 최적화되어 고정밀 영상 출력을 보장한다.
• 조건부 입력 덕분에 생성된 영상가 측정된 용량 벡터에 구체적으로 조건화되어 정확한 복원이 가능하다.
• 일반화 능력과 강인성을 테스트하기 위해 미사용된 유동 패턴, 노이즈가 있는 데이터, 실실험 측정값을 대상으로 모델 평가가 수행된다.

실험 결과

연구 질문

• RQ1 원시 용량 측정값에서 직접 ECT 영상을 복원하기 위해 조건부 GAN을 효과적으로 훈련시킬 수 있는가?
• RQ2 CGAN-ECT의 성능은 영상 품질과 속도 면에서 기존의 전통적 및 딥러닝 기반 복원 알고리즘과 비교해 어떻게 되는가?
• RQ3 훈련 데이터셋에 포함되지 않은 유동 패턴에도 모델이 일반화할 수 있는가?
• RQ4 노이즈가 있거나 오염된 용량 측정값에 대해 CGAN-ECT는 얼마나 강인한가?
• RQ5 실시간 산업 응용을 위해 저비용 계산 부담을 유지하면서도 고정밀 복원 정확도를 달성할 수 있는가?

주요 결과

• CGAN-ECT는 모든 테스트 유동 패턴에서 평균 영상 상관계수 99.3%를 달성했으며, 층상 유동에 대해 최대 99.73%까지 기록했다.
• 평균 상대 영상 오차는 0.07 이하였으며, 층상 유동에선 최소 0.0484, 플러스 모양 피피헌트에선 최대 0.2534를 기록했다.
• 다섯 개의 정사각형 바와 플러스 모양과 같은 미사용 유동 패턴에 대해서도 모델은 상관계수 93% 이상, 오차 0.26 이하를 유지하여 강력한 일반화 능력을 입증했다.
• LBP, Tikhonov, ILM 및 CNN 기준 모델보다 영상 품질과 복원 속도 면에서 모두 뛰어나며, 영상당 평균 0.062초의 시간 소요를 기록했다.
• 실실험 데이터에선 CGAN-ECT가 날카로운 윤곽선과 최소한의 아티팩트를 가진 영상을 생성하여 LBP 및 반복적 방법보다 시각적·정량적 품질 면에서 뚜렷한 우수성을 보였다.
• LBP보다 약간 느린 0.026초였지만, Tikhonov 및 ILM보다는 빠르며, 뛰어난 정확도 덕분에 산업 현장 적용에 더 적합하다.