[论文解读] CGAN-ECT: Tomography Image Reconstruction from Electrical Capacitance Measurements Using CGANs

Wael Deabes, Alaa E. Abdel-Hakim|arXiv (Cornell University)|Sep 7, 2022

Electrical and Bioimpedance Tomography参考文献 24被引用 7

一句话总结

本文提出CGAN-ECT，一种条件生成对抗网络，可直接从电容测量值重建高质量的电容层析成像（ECT）图像。通过将原始电容数据转换为调制图像输入，并在包含32万组样本的合成数据集上进行训练，CGAN-ECT实现了超过99.3%的平均图像相关系数和低于0.07的相对误差，在准确性和速度方面均优于传统方法和深度学习基线方法。

ABSTRACT

Due to the rapid growth of Electrical Capacitance Tomography (ECT) applications in several industrial fields, there is a crucial need for developing high quality, yet fast, methodologies of image reconstruction from raw capacitance measurements. Deep learning, as an effective non-linear mapping tool for complicated functions, has been going viral in many fields including electrical tomography. In this paper, we propose a Conditional Generative Adversarial Network (CGAN) model for reconstructing ECT images from capacitance measurements. The initial image of the CGAN model is constructed from the capacitance measurement. To our knowledge, this is the first time to represent the capacitance measurements in an image form. We have created a new massive ECT dataset of 320K synthetic image measurements pairs for training, and testing the proposed model. The feasibility and generalization ability of the proposed CGAN-ECT model are evaluated using testing dataset, contaminated data and flow patterns that are not exposed to the model during the training phase. The evaluation results prove that the proposed CGAN-ECT model can efficiently create more accurate ECT images than traditional and other deep learning-based image reconstruction algorithms. CGAN-ECT achieved an average image correlation coefficient of more than 99.3% and an average relative image error about 0.07.

研究动机与目标

• 为解决传统和深度学习方法在电容层析成像（ECT）图像重建中速度慢、质量低的挑战。
• 开发一种数据高效、可泛化的深度学习框架，能够处理训练数据中未见的流型和噪声测量数据。
• 构建大规模、高保真的合成ECT数据集（32万组样本），用于训练鲁棒的图像重建模型。
• 通过采用条件生成对抗网络（CGAN）架构替代迭代方法，提升重建速度和图像质量。
• 证明利用条件生成对抗网络（CGAN）可直接将电容测量值映射为高分辨率介电常数分布的可行性。

提出的方法

• CGAN-ECT模型采用条件生成对抗网络框架，其中生成器采用U-Net结构，判别器采用PatchGAN结构，用于将电容测量值映射为ECT图像。
• 将原始电容测量值转换为方形调制图像表示，作为生成器的输入。
• 模型在自建的32万组电容-图像配对合成数据集上进行训练，该数据集通过不同流型的有限元仿真生成。
• 生成器通过最小化对抗损失、感知损失和重建损失进行优化，以确保输出图像的高保真度。
• 条件输入确保生成的图像特异性地基于测量到的电容向量，从而实现高精度重建。
• 在未见过的流型、含噪声数据和真实实验测量数据上对模型进行评估，以检验其泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 能否有效训练条件生成对抗网络，直接从原始电容测量值重建ECT图像？
• RQ2 在图像质量和速度方面，CGAN-ECT与传统方法和基于深度学习的重建算法相比表现如何？
• RQ3 该模型能否泛化到训练数据集中未包含的流型？
• RQ4 CGAN-ECT对噪声或污染的电容测量值有多大的鲁棒性？
• RQ5 该模型能否在保持低计算成本的同时实现高重建精度，适用于实时工业应用？

主要发现

• 在所有测试流型中，CGAN-ECT实现了99.3%的平均图像相关系数，其中层流流型最高达99.73%。
• 平均相对图像误差低于0.07，层流流型最低达0.0484，加号形模型最高达0.2534。
• 在五角形棒和加号形等未见流型上，模型保持了超过93%的相关系数和低于0.26的误差，表现出强大的泛化能力。
• 在图像质量和重建速度方面，CGAN-ECT优于LBP、Tikhonov、ILM和CNN基线方法，单张图像的耗时为0.062秒。
• 在真实实验数据上，CGAN-ECT生成的图像边缘清晰、伪影极少，其视觉和定量质量显著优于LBP和迭代方法。
• 尽管略慢于LBP（0.026秒），但CGAN-ECT的重建时间仍快于Tikhonov和ILM方法，且其卓越的精度使其更适合工业部署。