[论文解读] MITNet: GAN Enhanced Magnetic Induction Tomography Based on Complex CNN

Zuohui Chen, Qing Yuan+6 more|arXiv (Cornell University)|Feb 16, 2021

Electrical and Bioimpedance Tomography参考文献 39被引用 7

一句话总结

本文提出 MITNet，一种基于生成对抗网络（GAN）增强的复数卷积神经网络，用于磁感应断层扫描（MIT），可直接处理复数值信号，以重建高保真度的脑部生物阻抗分布。该方法在真实世界数据集上相比最先进方法性能提升 25.27%，在形状和位置恢复方面表现出色，交并比（IoU）达 82.25%，轮廓距离（CD）为 3.31 像素。

ABSTRACT

Magnetic induction tomography (MIT) is an efficient solution for long-term brain disease monitoring, which focuses on reconstructing bio-impedance distribution inside the human brain using non-intrusive electromagnetic fields. However, high-quality brain image reconstruction remains challenging since reconstructing images from the measured weak signals is a highly non-linear and ill-conditioned problem. In this work, we propose a generative adversarial network (GAN) enhanced MIT technique, named MITNet, based on a complex convolutional neural network (CNN). The experimental results on the real-world dataset validate the performance of our technique, which outperforms the state-of-art method by 25.27%.

研究动机与目标

• 解决在真实世界场景中，从弱信号、噪声大且病态的 MIT 信号中重建准确生物阻抗图的挑战。
• 克服传统线性方法以及依赖模拟数据或仅幅度输入的现有深度学习方法的局限性。
• 开发一种保留复数值信号信息的深度学习框架，并通过对抗训练提升图像保真度。
• 在使用自研 MIT 系统采集的真实世界数据集上验证所提方法，确保其临床相关性与实际应用价值。

提出的方法

• MITNet 采用复数卷积神经网络（CNN）处理原始复数值 MIT 测量数据，无需仅使用幅度或分离实部与虚部。
• 该框架集成生成对抗网络（GAN），通过学习高频细节并提升结构一致性，从而增强重建质量。
• 采用两阶段训练策略：先对自编码器组件进行预训练以初始化网络权重，随后进行端到端 GAN 训练，结合对抗损失与重建损失。
• 模型使用 Adam 优化器，在 Tesla V100 GPU 上训练 200 个周期，固定初始学习率为 0.001，批量大小为 16。
• 后处理包括对每个三角形区域与其邻近区域进行平均，以减少粗粒度伪影。
• GAN 组件用于优化基线模型（NR、FCN、SAE）的输出，验证对抗增强的有效性。

实验结果

研究问题

• RQ1 在真实世界 MIT 数据上进行训练的深度学习模型，是否能在重建生物阻抗分布方面优于现有方法？
• RQ2 与仅使用幅度的处理方式相比，保留复数值信号信息在多大程度上提升了重建精度？
• RQ3 基于 GAN 的优化在 MIT 重建中，尤其在形状与边界精度方面，能在多大程度上提升图像质量？
• RQ4 所提出的 MITNet 在不同物体尺寸与形状（如圆柱体和三棱柱）下是否具备良好的泛化能力？
• RQ5 与传统线性方法及标准深度学习基线相比，基于 GAN 增强的复数 CNN 是否能在真实数据上实现更优性能？

主要发现

• MITNet 实现了最高的平均交并比（IoU）82.25% 和最低的平均轮廓距离（CD）3.31 像素，优于所有基线模型。
• 在 35mm 和 30mm 圆柱体对象上，MITNet 分别取得 88.61% 和 86.68% 的 IoU，表现出对尺寸变化的鲁棒性。
• 对于三棱柱对象，MITNet 达到 71.47% 的 IoU，显著优于 SAE（69.70%）和 FCN（74.20%），展现出更优的形状识别能力。
• GAN 增强显著提升了所有基线模型的性能，但 MITNet 在所有数据类型中仍保持最优，证明了复数 CNN 与 GAN 联合设计的有效性。
• 与最先进方法相比，该方法在自研 MIT 系统采集的真实世界数据集上，将重建误差降低了 25.27%。