[论文解读] Sensitivity Analysis for Optimizing Electrical Impedance Tomography Protocols

Claire C. Onsager, Chulin Wang+5 more|arXiv (Cornell University)|Nov 2, 2021

Electrical and Bioimpedance Tomography被引用 5

一句话总结

本文提出一种基于灵敏度的电学阻抗断层扫描（EIT）协议优化方法，通过利用先验知识导出的正交基函数降低模型空间维度，并采用灵敏度平行多面体体积度量选择高灵敏度且线性无关的测量数据。该方法使反演速度提升数个数量级，相较于标准协议，噪声容忍度提高达1,000倍。

ABSTRACT

Electrical impedance tomography (EIT) is a noninvasive imaging method whereby electrical measurements on the boundary of a conductive medium (the data) are taken according to a prescribed protocol set and inverted to map the internal conductivity (the model). This paper introduces a sensitivity analysis method and corresponding inversion and protocol optimization that generalizes the criteria for tomographic inversion to minimize the model-space dimensionality and maximize data importance. Sensitivity vectors, defined as rows of the Jacobian matrix in the linearized forward problem, are used to map targeted conductivity features from model-space to data-space, and a volumetric outer-product of these vectors in model-space called the sensitivity parallelotope volume provides a figure-of-merit for data protocol optimization. Orthonormal basis functions that accurately constrain the model-space to features of interest can be defined from a priori information. By increasing the contact number to expand the number of possible measurements Dmax, and by reducing the model-space to a minimal number M0 of basis functions that describe only the features of interest, the M0 << Dmax sensitivity vectors of greatest length and maximal orthogonality that span this model-space can be identified. The reduction in model-space dimensionality accelerates the inversion by several orders of magnitude, and the enhanced sensitivity can tolerate noise levels up to 1,000 times larger than standard protocols.

研究动机与目标

• 解决传统EIT反演算法计算成本高和对噪声敏感的问题。
• 通过利用先验知识中的正交基函数，仅选择感兴趣的特征，降低模型空间维度。
• 通过选择能最大化灵敏度和线性独立性的数据空间测量，优化EIT测量协议。
• 实现快速、鲁棒的EIT反演，适用于实时或可穿戴应用。
• 在不增加测量密度的前提下，提升噪声容忍度和反演保真度。

提出的方法

• 利用先验知识中关于对称性或分辨率特征的约束，定义使用正交基函数（如泽尼克多项式）的简化模型空间。
• 使用雅可比矩阵计算灵敏度向量，表示模型参数变化对测量数据的影响。
• 将灵敏度平行多面体体积作为评估数据空间测量子集质量的性能指标。
• 通过最大化灵敏度平行多面体体积选择最优数据空间子集，确保测量向量具有高灵敏度和正交性。
• 在简化模型空间中，采用截断或正则化奇异值分解（SVD）高效求解反问题。
• 在灵敏度优化协议下，采用迭代牛顿法求解反问题，以提升收敛性和精度。

实验结果

研究问题

• RQ1 如何在不牺牲EIT中感兴趣特征分辨率的前提下降低模型空间维度？
• RQ2 在EIT协议中，可采用何种标准选择最具信息量且鲁棒的测量？
• RQ3 灵敏度分析能否显著提升EIT重建中的噪声容忍度？
• RQ4 通过降低EIT反演中的模型空间维度，计算速度最多可提升多少？
• RQ5 在存在噪声的情况下，灵敏度平行多面体体积度量与传统协议相比，在重建保真度方面表现如何？

主要发现

• 基于灵敏度的协议相较于标准EIT协议，噪声容忍度最高提升了1,000倍，在噪声水平η = 1×10⁻⁴以内仍能获得可接受的重建结果。
• 该方法将模型空间维度降低至M₀ ≪ D_max，实现了反演速度数个数量级的提升。
• 在三杆与六杆混凝土柱的对比实验中，灵敏度协议在η = 1×10⁻⁴时仍能保持可区分性（z > 1），而简化后的谢菲尔德协议在η ≥ 1×10⁻⁷时即失效。
• 与简化谢菲尔德协议相比，灵敏度平行多面体体积提升了10⁶⁴倍，表明测量质量显著更优。
• 在对称性约束（如三重对称）下使用正交基函数，仅需M₀ = 27个基函数即可准确表示特征。
• 在两种协议中，使用18个奇异值的截断SVD已足够实现稳定反演，证实了简化模型空间方法的高效性。