[논문 리뷰] Solving the Inverse Problem of Magnetic Induction Tomography Using Gauss-Newton Iterative Method and Zoning Technique to Reduce Unknown Coefficients

Mohammad Reza Yousefi, Amin Dehghani외 2명|arXiv (Cornell University)|2023. 09. 01.

Electrical and Bioimpedance Tomography인용 수 1

한 줄 요약

이 논문은 자기유도단층촬영(MIT)의 역문제 해결을 위해 보다 향상된 가우스-뉴턴 반복 방법과 지구역 기법을 조합하여 불확실한 도전도 계수의 수를 줄이는 것을 제안한다. 동일한 도전도를 가진 픽셀을 군집화함으로써, 재구성 정확도가 향상되어 진짜 도전도 값과 비교할 때 평균 상대 오차율이 24.22%에 도달한다.

ABSTRACT

Magnetic Induction Tomography (MIT) is a promising modality for noninvasive imaging due to its contactless and nonionizing technology. In this imaging method, a primary magnetic field is applied by excitation coils to induce eddy currents in the material to be studied, and a secondary magnetic field is detected from these eddy currents using sensing coils. The image (spatial distribution of electrical conductivity) is then reconstructed using measurement data, the initial estimation of electrical conductivity, and the iterative solution of forward and inverse problems. The inverse problem can be solved using one-step linear, iterative nonlinear, and special methods. In general, the MIT inverse problem can be solved by Gauss-Newton iterative method with acceptable accuracy. In this paper, this algorithm is extended and the zoning technique is employed for the reduction of unknown coefficients. The simulation results obtained by the proposed method are compared with the real conductivity coefficients and the mean relative error rate is reduced to 24.22%. On the other hand, Gauss-Newton iterative method is extended for solving the inverse problem of the MIT, and sensitivity measurement matrices are extracted in different experimental and normalization conditions.

연구 동기 및 목표

• MIT 역문제의 악조건이 심하고 계산 비용이 큰 성격을 해결하기 위해.
• 해결의 안정성과 효율성을 향상시키기 위해 미지의 도전도 계수의 수를 줄이기 위해.
• 공간적으로 유사한 도전도 영역을 군집화하는 지구역 기법을 적용하여 재구성 정확도를 향상시키기 위해.
• 모의 데이터를 사용하여 제안된 방법을 검증하고 진짜 도전도 분포와 비교하기 위해.
• 다양한 정규화 및 실험 조건 하에서 감도 행렬을 추출하고 분석하여 역문제 해법의 강건성을 확보하기 위해.

제안 방법

• MIT의 비선형 역문제를 해결하기 위해 가우스-뉴턴 반복 방법을 적용한다.
• 이미징 도메인을 유사한 도전도를 가진 영역으로 나누는 지구역 기법을 도입하여 미지수의 수를 줄인다.
• 알려진 도전도 분포와 자극 windings 기반으로 유도된 자기장을 시뮬레이션하기 위해 정방 모델을 사용한다.
• 도전도 변화에 따른 센서 코ils에서 측정된 전압 변화를 맵핑하는 감도 행렬을 구성한다.
• 다양한 실험 조건 하에서 감도 행렬을 정규화하여 역문제 해법의 수렴성과 안정성을 향상시킨다.
• 가우스-뉴턴 업데이트 규칙을 반복적으로 적용하여 도전도 추정치를 업데이트한다: Δσ = (J^T J)^{-1} J^T (d - d_meas), 여기서 J는 감도 행렬이다.

실험 결과

연구 질문

• RQ1 지구역 기법은 MIT 역재구성에서 도전도 계수의 수를 효과적으로 줄일 수 있는가?
• RQ2 제안된 지구역 기법을 적용한 가우스-뉴턴 방법은 표준 가우스-뉴턴 방법과 비교해 재구성 정확도와 수렴성에서 어떻게 다른가?
• RQ3 정규화 및 실험 조건은 감도 행렬과 역문제 해법 품질에 어떤 영향을 미치는가?
• RQ4 지구역 전략은 도전도 재구성의 평균 상대 오차를 어느 정도 줄이는가?
• RQ5 다양한 정규화 조건은 역문제에서 감도 행렬의 안정성과 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 재구성된 도전도 값과 진짜 도전도 값 간의 평균 상대 오차율을 24.22%로 줄였다.
• 지구역 기법은 미지수의 수를 크게 줄여 계산 효율성과 해법의 안정성을 향상시켰다.
• 다양한 정규화 및 실험 조건 하에서 감도 행렬을 성공적으로 추출하고 분석하여 역문제의 강건성을 향상시켰다.
• 지구역 기법을 적용한 가우스-뉴턴 방법은 표준 방법 대비 더 나은 수렴성과 정확도를 보였다.
• 정규화 조건이 변화하더라도 방법은 수용 가능한 재구성 품질을 유지하여 강건성을 입증하였다.
• 결과는 지구역을 통한 미지 계수 수 감소가 MIT에서 반복적 역문제 해법의 성능 향상에 효과적인 전략임을 확인한다.