[논문 리뷰] Reconstruction of small and extended regions in EIT with a Robin transmission condition

Govanni Granados, Isaac Harris|arXiv (Cornell University)|2022. 03. 17.

Electrical and Bioimpedance Tomography참고 문헌 43인용 수 4

한 줄 요약

이 논문은 로빈 전달 조건을 갖는 전기임피던스.tom그래피(EIT)에서 소형 및 확장된 영역을 재구성하기 위한 두 가지 정성적 영상 방법을 제안한다. 소형 영역의 경우, 전류 갭 연산자에 대한 점근 전개를 이용해 MUSIC 유형 알고리즘을 유도한다; 확장된 영역의 경우, 정규화된 인수분해 방법을 적용한다. 주요 기여는 최소한의 사전 지식으로도 안정적인 비반복적 재구성으로, 2차원에서 노이즈에 강건함을 수치적으로 검증하였다.

ABSTRACT

We consider an inverse shape problem coming from electrical impedance tomography with a Robin transmission condition. In general, a boundary condition of Robin type models corrosion. In this paper, we study two methods for recovering an interior corroded region from electrostatic data. We consider the case where we have small volume and extended regions. For the case where the region has small volume, we will derive an asymptotic expansion of the current gap operator and prove that a MUSIC-type algorithm can be used to recover the region. In the case where one has an extended region, we will show that the regularized factorization method can be used to recover said region. Numerical examples will be presented for both cases in two dimensions in the unit circle.

연구 동기 및 목표

• 결함이 있는 영역에서 부식을 모델링하는 로빈 전달 조건을 갖는 EIT에서의 역형상 문제를 다루기 위해.
• 알 수 없는 영역에 대한 사전 지식을 최소한으로 요구하는 비반복적 정성적 재구성 방법을 개발하기 위해.
• 디리클레-투-노이만 매핑과 전류 갭 연산자(Λ − Λ₀)를 바탕으로 영상 기능을 유도하기 위해.
• 다양한 노이즈 수준과 기하학적 형태에서 2차원에서 제안된 방법을 수치적으로 검증하기 위해.
• 기존의 정성적 방법(MUSIC 및 인수분해)을 EIT에서 로빈 유형 전달 조건의 경우로 확장하기 위해.

제안 방법

• 스펙트럼 방법과 변분 공식을 이용해 소형 체적 영역에 대한 전류 갭 연산자(Λ − Λ₀)의 점근 전개를 유도한다.
• 전류 갭 연산자의 점근적 행동과 특이값 분해를 활용하여, 소형 영역을 재구성하기 위해 MUSIC 유형 알고리즘을 적용한다.
• 확장된 영역의 경우, Tikhonov 및 Landweber 필터링을 사용하여 (Λ − Λ₀)의 인수분해 구조를 분석함으로써 정규화된 인수분해 방법을 개발한다.
• 스펙트럼 방법을 사용하여 푸리에 기저 함수(예: einθ)를 활용해 디리클레-투-노이만 매핑과 u − u₀의 수치적 근사치를 계산한다.
• 영상 기능 W(z)의 윤곽선도 및 특정 임계값(예: W(z) = 0.2, 0.1)에서의 등고선을 통해 수치적 재구성을 구현한다.
• 노이즈가 있는 데이터에서 역문제를 안정화하기 위해 Tikhonov 및 Landweber 정규화 기법을 적용하며, Landweber의 경우 α = 10⁻⁵ 및 β = 1/(2σ₁²)로 설정한다.

실험 결과

연구 질문

• RQ1 로빈 전달 조건을 갖는 EIT에서 소형 체적 영역을 재구성하기 위해 MUSIC 유형 알고리즘을 성공적으로 적응시킬 수 있는가?
• RQ2 전류 갭 연산자(Λ − Λ₀)의 점근 전개가 소형 내포체에 대한 형상 재구성에 어떻게 기여하는가?
• RQ3 정규화된 인수분해 방법은 로빈 경계 조건 하에서 EIT에서 확장된 영역을 효과적으로 재구성하는 데 적용될 수 있는가?
• RQ4 2% 및 8%의 상대 노이즈 존재 하에서 재구성 결과는 노이즈와 정규화 기법의 선택에 얼마나 민감한가?
• RQ5 전달 매개변수 γ(x(θ)) = 1/4 + exp(cos(θ))는 재구성 정확도 및 안정성에 어떤 역할을 하는가?

주요 결과

• MUSIC 알고리즘은 ρ = 0.25인 소형 원형 영역을 성공적으로 재구성하여, 전류 갭 연산자의 점근 전개를 통해 정확한 국소화를 달성한다.
• 확장된 영역의 경우, 정규화된 인수분해 방법은 ρ(θ) = 0.25(1 + 0.15 cos(3θ)) 및 ρ(θ) = 0.25(2 + 0.3 cos(5θ))로 주어진 아몬드 모양과 별 모양의 영역을 2% 및 8% 노이즈 하에서도 재구성한다.
• 수치 결과에서 Tikhonov와 Landweber 정규화 필터의 선택에 관계없이 재구성 결과에 유의미한 차이가 없어, 두 방법 모두 효과적임을 확인한다.
• 영상 기능 W(z)는 고노이즈(8%) 및 복잡한 형태 조건에서도 진짜 경계 D와 밀도 높은 등고선을 정확히 생성한다.
• 디리클레-투-노이만 매핑으로부터 영역 D를 유일하게 재구성하며, 초기 추정치가 필요 없이 유일성과 안정성을 확립한다.
• 수치적 구현은 스펙트럼/특이값 분해에 의존하기 때문에 계산적으로 효율적이며, 이산화된 데이터 연산자의 분해에만 의존한다.