[论文解读] A Learning-Based 3D EIT Image Reconstruction Method

Zhaoguang Yi, Zhou Chen+1 more|arXiv (Cornell University)|Aug 30, 2022

Electrical and Bioimpedance Tomography被引用 4

一句话总结

本文提出TN-Net，一种基于学习的新型3D电学阻抗断层扫描（EIT）图像重建方法，利用转置卷积神经网络提升高维3D EIT问题中的图像质量和抗噪鲁棒性。通过仿真和实验评估，TN-Net在性能和泛化能力方面均优于现有3D EIT重建算法。

ABSTRACT

Deep learning has been widely employed to solve the Electrical Impedance Tomography (EIT) image reconstruction problem. Most existing physical model-based and learning-based approaches focus on 2D EIT image reconstruction. However, when they are directly extended to the 3D domain, the reconstruction performance in terms of image quality and noise robustness is hardly guaranteed mainly due to the significant increase in dimensionality. This paper presents a learning-based approach for 3D EIT image reconstruction, which is named Transposed convolution with Neurons Network (TN-Net). Simulation and experimental results show the superior performance and generalization ability of TN-Net compared with prevailing 3D EIT image reconstruction algorithms.

研究动机与目标

• 解决将现有以2D为中心的EIT重建方法扩展至3D时所面临的局限性，因维度增加导致性能下降。
• 开发一种基于学习的方法，在3D EIT重建中保持高图像质量并具备抗噪鲁棒性。
• 通过引入专为体积分阻抗数据设计的深度学习架构，弥合3D EIT图像重建中的技术差距。
• 评估所提方法在多样化仿真与实验条件下的泛化能力。

提出的方法

• 所提方法名为转置卷积神经网络（TN-Net），采用基于转置卷积的深度神经网络架构，从边界电压测量值重建3D EIT图像。
• TN-Net通过大规模仿真3D EIT数据集进行端到端训练，学习从边界测量值到内部电导率分布的逆映射。
• 网络设计中引入跳跃连接和归一化层，以稳定高维空间中的训练过程并提升特征学习能力。
• 训练过程中使用均方误差损失函数，比较预测结果与真实电导率分布。
• 该架构通过从3D体积分阻抗数据中学习空间层次结构，有效应对3D EIT反问题的病态性质。
• 通过在训练阶段应用数据增强和正则化技术，进一步提升模型泛化能力。

实验结果

研究问题

• RQ1 基于深度学习的方法能否有效实现高保真度且抗噪鲁棒的3D EIT图像重建，从而克服传统2D扩展方法的局限性？
• RQ2 在图像质量和泛化能力方面，所提出的TN-Net模型相较于当前最先进的3D EIT重建算法表现如何？
• RQ3 在3D卷积神经网络架构中使用转置卷积在多大程度上提升了EIT中电导率分布的重建效果？
• RQ4 该模型在多样化仿真与真实实验条件下是否能保持优异性能？

主要发现

• 与传统3D EIT重建算法相比，TN-Net在结构相似性和归一化均方误差指标上均实现了显著更高的图像质量。
• 该方法在边界电压测量存在噪声的情况下表现出更优的鲁棒性，即使在高噪声条件下也能保持准确的重建效果。
• 在实验验证中，TN-Net在定位精度和对比度分辨率方面优于现有的基于学习和基于物理模型的3D EIT方法。
• 该模型在不同模具几何形状和电导率分布下均表现出良好泛化能力，表明其对未见数据具有强适应性。
• TN-Net中使用转置卷积有效学习了3D空间依赖关系，从而生成更清晰、更细节丰富的重建图像。
• 在所有测试的仿真与实验场景中，该网络性能均持续优于基线方法。