[논문 리뷰] Reduced-order model for electrical impedance tomography based on proper orthogonal decomposition

Antti Lipponen, Aku Seppänen외 1명|arXiv (Cornell University)|2012. 07. 04.

Electrical and Bioimpedance Tomography참고 문헌 48인용 수 3

한 줄 요약

이 논문은 베이지안 역문제 틀 내에서 전기저항율 단층촬영(EIT)을 위한 적절한 직교분해(POD) 기반 축소차원 모델을 제안한다. 사전 지식을 활용해 도전도 및 전위 분포에 대한 POD 기저를 구성함으로써, 시뮬레이션 및 실험 데이터 모두에서 재구성 품질을 유지하면서 계산 비용을 두 자릿수 이상 감소시킨다. 이는 정밀도 손실 없이 실시간 응용을 가능하게 한다.

ABSTRACT

Electrical impedance tomography (EIT) is an imaging modality in which the conductivity distribution inside a target is reconstructed based on voltage measurements from the surface of the target. Reconstructing the conductivity distribution is known to be an ill-posed inverse problem, the solutions of which are highly intolerant to modelling errors. In order to achieve sufficient accuracy, very dense meshes are usually needed in a finite element approximation of the EIT forward model. This leads to very high-dimensional problems and often unacceptably tedious computations for real-time applications. In this paper, the model reduction in EIT is considered within the Bayesian inversion framework. We construct the reduced-order model by proper orthogonal decompositions (POD) of the electrical conductivity and the potential distributions. The associated POD modes are computed based on a priori information on the conductivity. The feasibility of the reduced-order model is tested both numerically and with experimental data. In the selected test cases, the proposed model reduction approach speeds up the computation by more than two orders of magnitude in comparison with the conventional EIT reconstruction, without decreasing the quality of the reconstructed images significantly.

연구 동기 및 목표

• 기존 유한요소법(FEM) 근사에서 EIT의 높은 계산 비용이 실시간 응용을 제한하므로 이를 해결하고자 한다.
• 재구성 정확도를 유지하면서 계산 부담을 극적으로 줄이는 모델 축소 기법을 개발하고자 한다.
• 사전 지식을 활용해 도전도 및 전위 필드에 대해 적절한 직교분해(POD)를 적용하여 축소차원 기저를 구성하고자 한다.
• 모델 축소 기법의 타당성을 시뮬레이션 및 실험적 EIT 데이터를 통해 검증하고자 한다.
• 모델 축소로 인한 근사 오차가 베이지안 프레임워크 내에서 근사 오차 방법을 통해 효과적으로 관리될 수 있음을 보여주고자 한다.

제안 방법

• 사전 도전도 데이터의 적절한 직교분해(POD)를 통해 도전도 및 전위 분포에 대한 축소차원 기저를 구성한다.
• 도전도 분포에 대한 사전 지식을 활용해 도전도 및 해당 전위 필드의 POD 모드를 계산한다.
• 도전도 및 전위를 POD 부분공간에 투영하여 문제의 차원을 크게 줄인 축소차원 정방향 모델을 구성한다.
• 모델 축소 오차를 근사 오차 방법을 통해 다루는 베이지안 역문제 틀에 축소차원 모델을 통합한다.
• 기저 함수의 수를 정확도와 효율성 간의 균형을 맞추기 위해 조정하면서, 반복적으로 역문제를 해결한다.
• 물체가 포함된 물통에서의 실질적 실험 데이터를 포함한 시뮬레이션과 실제 실험 데이터를 모두 활용해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 POD 기반 모델 축소가 영상 품질을 떨어뜨리지 않고 EIT 재구성 속도를 크게 향상시킬 수 있는가?
• RQ2 사전 도전도 정보를 활용해 도전도 및 전위 필드에 대한 축소차원 기저를 구성하는 데 얼마나 효과적인가?
• RQ3 베이지안 역문제 맥락에서 모델 축소로 인한 오차를 근사 오차 방법이 충분히 보상할 수 있는가?
• RQ4 실제 소음과 모델링 오차를 포함한 다양한 시험 케이스, 특히 실험 데이터에서 축소차원 모델이 정확도를 유지하는가?
• RQ5 재구성된 도전도 분포의 정밀도를 유지하면서 계산 시간을 얼마나 줄일 수 있는가?

주요 결과

• 제안된 POD 기반 축소차원 모델은 실험 데이터에서 계산 시간을 37,000 ms 이상에서 169 ms로 줄여 두 자릿수 이상의 속도 향상을 달성했다.
• 축소차원 모델을 사용한 재구성 영상은 기존의 유한요소법(FEM) 결과와 시각적으로 유사했으며, 포함 영역이 명확하게 보이고 정확하게 국소화되어 있었다.
• 도전도에 대해 54개, 전위에 대해 25개의 POD 기저 함수만으로도 높은 재구성 정밀도를 유지하여 효과적인 차원 축소가 이루어졌음을 시사했다.
• 근사 오차 방법이 축소차원 모델로 인한 모델링 오차를 효과적으로 처리하여, 베이지안 역문제에서의 강인성을 확보했다.
• 모델은 시뮬레이션 및 실제 실험 데이터를 모두 활용해 검증되었으며, 실용적 EIT 응용에서의 타당성을 입증했다.
• 현재 형태로도 3차원 EIT 문제에 직접 확장 가능하여 향후 복잡한 3차원 영상 촬영 시나리오에의 적용이 가능하다.