[论文解读] Reconstruction of small and extended regions in EIT with a Robin transmission condition

Govanni Granados, Isaac Harris|arXiv (Cornell University)|Mar 17, 2022

Electrical and Bioimpedance Tomography参考文献 43被引用 4

一句话总结

本文提出两种针对电导率断层扫描（EIT）中具有Robin传输条件（用于建模腐蚀）的小区域和扩展区域的定性成像方法。对于小区域，基于电流间隙算子的渐近展开推导出一种MUSIC型算法；对于扩展区域，则应用正则化因子分解方法。主要贡献在于仅需最少先验知识即可实现鲁棒、非迭代的重建，且在二维数值实验中表现出抗噪声能力。

ABSTRACT

We consider an inverse shape problem coming from electrical impedance tomography with a Robin transmission condition. In general, a boundary condition of Robin type models corrosion. In this paper, we study two methods for recovering an interior corroded region from electrostatic data. We consider the case where we have small volume and extended regions. For the case where the region has small volume, we will derive an asymptotic expansion of the current gap operator and prove that a MUSIC-type algorithm can be used to recover the region. In the case where one has an extended region, we will show that the regularized factorization method can be used to recover said region. Numerical examples will be presented for both cases in two dimensions in the unit circle.

研究动机与目标

• 解决具有Robin传输条件的EIT中的逆形状问题，该条件用于建模缺陷区域的腐蚀。
• 开发仅需最少未知区域先验知识的非迭代、定性重建方法。
• 基于Dirichlet-to-Neumann映射与电流间隙算子（Λ − Λ₀）推导成像泛函。
• 在不同噪声水平与几何形状下，于二维空间中对所提方法进行数值验证。
• 将现有定性方法——MUSIC与因子分解法——扩展至EIT中Robin型传输条件的情形。

提出的方法

• 利用谱方法与变分公式，对小体积区域的电流间隙算子（Λ − Λ₀）推导渐近展开式。
• 通过利用电流间隙算子的渐近行为与奇异值分解，应用MUSIC型算法实现对小区域的重建。
• 针对扩展区域，通过分析（Λ − Λ₀）的因子分解结构，结合Tikhonov与Landweber滤波，发展正则化因子分解方法。
• 使用谱方法与傅里叶基函数（如 einθ）计算Dirichlet-to-Neumann映射及 u − u₀ 的数值近似。
• 通过成像泛函 W(z) 的等高线图与特定阈值（如 W(z) = 0.2, 0.1）的等值线实现数值重建。
• 应用Tikhonov与Landweber正则化方案以在噪声数据下稳定反问题，其中 α = 10⁻⁵，β = 1/(2σ₁²)（用于Landweber）

实验结果

研究问题

• RQ1 能否成功将MUSIC型算法适配于具有Robin传输条件的EIT中，用于重建小体积区域？
• RQ2 电流间隙算子（Λ − Λ₀）的渐近展开如何实现对小包含体的形状重建？
• RQ3 正则化因子分解方法能否有效应用于Robin边界条件下EIT中扩展区域的重建？
• RQ4 在2%与8%相对噪声下，重建结果对噪声与正则化方案的敏感性如何？
• RQ5 传输参数 γ(x(θ)) = 1/4 + exp(cos(θ)) 在决定重建精度与稳定性方面起何作用？

主要发现

• MUSIC算法成功重建了半径为 ρ = 0.25 的小圆形区域，通过电流间隙算子的渐近展开实现精确定位。
• 对于扩展区域，正则化因子分解方法在2%与8%噪声下，成功重建了山楂形（ρ(θ) = 0.25(1 + 0.15 cos(3θ))）与星形（ρ(θ) = 0.25(2 + 0.3 cos(5θ))）区域。
• 重建结果对正则化滤波器的选择（Tikhonov与Landweber）具有鲁棒性，数值结果中未观察到显著差异。
• 成像泛函 W(z) 生成的等值线能精确反映真实边界 D 的形状，即使在高噪声（8%）与复杂形状下亦然。
• 该方法可唯一地从Dirichlet-to-Neumann映射中恢复区域 D，无需初始猜测，从而确立了唯一性与稳定性。
• 数值实现计算效率高，仅依赖于离散化数据算子的谱分解/奇异值分解。