[论文解读] Inverse anisotropic conductivity from power densities in dimension $n\ge 3$

François Monard, Guillaume Bal|arXiv (Cornell University)|Aug 29, 2012

Numerical methods in inverse problems参考文献 17被引用 10

一句话总结

本文提出了一种在 $ n \geq 3 $ 维下，从内部功率密度测量值显式重构全各向异性电导率张量的构造性方法。通过利用 $ n $ 重解的线性无关梯度与功率密度的极化，作者同时恢复了标量缩放因子 $ \tau $ 与各向异性结构 $ \tilde{\gamma} $，在函数泛函的秩最大化条件下，实现了局部重构：$ \tau $ 无尺度损失，$ \tilde{\gamma} $ 损失一阶导数。

ABSTRACT

We investigate the problem of reconstructing a fully anisotropic conductivity tensor $γ$ from internal functionals of the form $ abla u\cdotγ abla u$ where $u$ solves $ abla\cdot(γ abla u) = 0$ over a given bounded domain $X$ with prescribed Dirichlet boundary condition. This work motivated by hybrid medical imaging methods covers the case $n\ge 3$, following the previously published case $n=2$ \cite{Monard2011}. Under knowledge of enough such functionals, and writing $γ= τ ilde γ$ ($\det ildeγ= 1$) with $τ$ a positive scalar function, we show that all of $γ$ can be explicitely and locally reconstructed, with no loss of scales for $τ$ and loss of one derivative for the anisotropic structure $ ildeγ$. The reconstruction algorithms presented require rank maximality conditions that must be satisfied by the functionals or their corresponding solutions, and we discuss different possible ways of ensuring these conditions for $\C^{1,α}$-smooth tensors ($0

研究动机与目标

• 解决在 $ n \geq 3 $ 维下，从内部功率密度测量值 $ \nabla u \cdot \gamma \nabla u $ 重构全各向异性电导率张量 $ \gamma $ 的反问题，该问题受混合医学成像技术的启发。
• 将先前已建立的二维各向异性电导率重构框架扩展至高维，确保显式且稳定的恢复。
• 以正则性损失的形式表征重构的稳定性：标量因子 $ \tau $ 无损失，归一化各向异性结构 $ \tilde{\gamma} $ 损失一阶导数。
• 识别并分析确保重构算法可逆性的解或其梯度的秩最大化条件。
• 在 $ C^{1,\alpha} $-光滑设定下（$ 0 < \alpha < 1 $），通过适当的边界条件提供满足秩最大化假设的充分条件。

提出的方法

• 将反问题表述为：从功率密度泛函 $ \mathcal{H}_\gamma[u](x) = \nabla u \cdot \gamma \nabla u $ 的知识中重构 $ \gamma = \tau \tilde{\gamma} $，其中 $ \det \tilde{\gamma} = 1 $，$ u $ 是有界区域 $ X \subset \mathbb{R}^n $ 中方程 $ \nabla \cdot (\gamma \nabla u) = 0 $ 的解。
• 通过极化处理，考虑相互功率密度 $ \nabla u \cdot \gamma \nabla v $，从而构建涉及解梯度的方程组。
• 在对称矩阵空间中采用广义叉积构造，从解梯度的 $ n $ 元组中提取各向异性结构 $ \tilde{\gamma} $。
• 应用广义叉积在线性映射（特别是左乘矩阵）下的变换规则，推导基变换下的稳定性行为。
• 通过求解由功率密度数据与解梯度的秩最大化条件导出的方程组，推导出显式重构公式。
• 通过分析重构对数据的依赖性，建立稳定性估计，显示 $ \det \gamma $ 的利普希茨稳定性与 $ \tilde{\gamma} $ 的霍尔德型稳定性。

实验结果

研究问题

• RQ1 在 $ n \geq 3 $ 维下，若具备足够数据，能否从内部功率密度测量值显式重构全各向异性电导率张量 $ \gamma $？
• RQ2 各向异性结构 $ \tilde{\gamma} $ 的重构中正则性损失为何？与标量因子 $ \tau $ 的稳定性相比如何？
• RQ3 在何种解 $ u $、$ v $ 等条件下，可先验保证重构所需秩最大化条件？
• RQ4 数据扰动下，重构算法的行为如何？可导出何种稳定性估计？
• RQ5 在 $ C^{1,\alpha} $-光滑设定下，能否通过选择适当的狄利克雷边界条件使秩最大化条件得以满足？

主要发现

• 作者建立了一种构造性、显式的算法，可在 $ n \geq 3 $ 维下从内部功率密度测量值重构完整的各向异性电导率张量 $ \gamma $，扩展了先前的二维结果。
• 在分解 $ \gamma = \tau \tilde{\gamma} $ 中，标量因子 $ \tau $ 的恢复无正则性损失（利普希茨稳定性），而各向异性结构 $ \tilde{\gamma} $ 损失一阶导数（霍尔德型稳定性）。
• 该重构依赖于存在 $ n $ 个电导率方程的解，其梯度在每一点构成 $ \mathbb{R}^n $ 的基，该条件称为秩最大化。
• 本文提供了充分条件，通过为解选择适当的狄利克雷边界条件，可先验保证秩最大化条件。
• 在对称矩阵空间中采用广义叉积构造以提取各向异性结构 $ \tilde{\gamma} $，并利用其在线性映射下的变换规则，实现稳定性分析。
• 稳定性估计在功率密度泛函属于 $ W^{1,\infty}(X) $ 的假设下导出，结果适用于 $ C^{1,\alpha} $-光滑电导率张量（$ 0 < \alpha < 1 $）。