[论文解读] Resistor network approaches to electrical impedance tomography

Liliana Borcea, Vladimir Druskin+2 more|arXiv (Cornell University)|Jul 1, 2011

Numerical methods in inverse problems参考文献 56被引用 15

一句话总结

本文提出一种基于最优自适应加密网格的电阻网络方法，用于求解电导率断层扫描（EIT）中的反问题。通过在边界附近稀疏网格上谱逼近狄利克雷-诺伊曼映射，该方法实现了稳定且高精度的反演，同时控制了分辨率损失，借助谱方法和盖尔范德-列维坦反演框架的摄动分析，将离散网络问题与连续EIT反问题相联系。

ABSTRACT

We review a resistor network approach to the numerical solution of the inverse problem of electrical impedance tomography (EIT). The networks arise in the context of finite volume discretizations of the elliptic equation for the electric potential, on sparse and adaptively refined grids that we call optimal. The name refers to the fact that the grids give spectrally accurate approximations of the Dirichlet to Neumann map, the data in EIT. The fundamental feature of the optimal grids in inversion is that they connect the discrete inverse problem for resistor networks to the continuum EIT problem.

研究动机与目标

• 通过开发一种数值稳定且自适应的离散化方法，解决EIT反问题的指数级不稳定性。
• 通过在测量边界附近加密网格（此处灵敏度最高）来克服电导率重建中的分辨率限制。
• 通过狄利克雷-诺伊曼映射的谱逼近，建立离散电阻网络模型与连续EIT问题之间的严格联系。
• 通过使用对狄利克雷-诺伊曼映射具有谱精度且基于预期分辨率损失自适应加密的网格，控制数值不稳定性与正则化伪影。
• 在全边界和部分边界测量设置下，通过最优网格上的有限体积离散化，实现高精度反演。

提出的方法

• 在稀疏、自适应加密的网格（称为‘最优’网格）上，对电势的椭圆型PDE采用有限体积离散化，这些网格对狄利克雷-诺伊曼（DtN）映射具有谱精度。
• 从离散系统矩阵构建电阻网络，其中节点电导率对应离散电导率值，边电阻对应有限体积通量。
• 应用离散盖尔范德-列维坦反演方法，通过Lanczos迭代计算特征值和特征向量，从系统矩阵的谱数据重建电导率。
• 利用系统矩阵的谱数据（特征值和特征向量）通过从DtN映射近似导出的矩阵G的Cholesky分解，重建离散电导率。
• 对谱数据（特征值δ_j^r和特征向量范数ξ_j^r）进行摄动分析，以估计电导率参数β_j的相对变化，确保在噪声数据下的稳定性。
• 通过摄动方程（7.64）–（7.68）推导稳定性估计，表明电导率的相对变化受谱数据摄动的限制，其中界（7.69）基于对Δδ_j和Δξ_j的渐近假设得出。

实验结果

研究问题

• RQ1 如何在稀疏自适应网格上构建一个能谱逼近EIT问题狄利克雷-诺伊曼映射的离散电阻网络模型？
• RQ2 离散电阻网络参数与反问题中底层连续电导率分布之间存在何种关系？
• RQ3 网格的自适应加密（尤其是边界附近）如何影响EIT中电导率重建的稳定性和分辨率？
• RQ4 离散盖尔范德-列维坦反演方法是否可用于在最优网格上稳定地从系统矩阵的谱数据重建电导率？
• RQ5 在谱数据摄动下，重建的定量稳定性如何？其与反问题条件数的关系是什么？

主要发现

• 最优网格对狄利克雷-诺伊曼映射提供了谱精度近似，实现了最小正则化下的高精度反演。
• 离散电阻网络模型通过谱数据将有限维网格上的反问题与连续EIT问题相联系，确保了一致性与稳定性。
• 摄动分析表明，电导率参数β_j的相对变化受谱数据摄动的限制，满足∑|dβ_j / β_j^r| ≤ C₁ dr，建立了定量稳定性估计。
• 由于在边界附近进行网格加密，方法在边界区域实现了改进的分辨率，反映了EIT中固有的分辨率损失，并避免了均匀或不当参数化带来的伪影。
• 稳定性估计（7.69）在对谱数据摄动（Δδ_j, Δξ_j）的渐近行为作出假设下导出，表明即使在噪声测量下，该方法仍能有效控制重建误差。
• 通过使用Lanczos迭代和Cholesky分解，能够高效且数值稳定地从DtN映射数据重建电导率，使该方法适用于实际应用。