[论文解读] Solving the Inverse Problem of Magnetic Induction Tomography Using Gauss-Newton Iterative Method and Zoning Technique to Reduce Unknown Coefficients

Mohammad Reza Yousefi, Amin Dehghani+2 more|arXiv (Cornell University)|Sep 1, 2023

Electrical and Bioimpedance Tomography被引用 1

一句话总结

本文提出了一种结合分区技术的增强型高斯-牛顿迭代方法，以减少磁感应断层扫描（MIT）反问题求解中的未知电导率系数数量。通过将像素分组为同质区域，该方法提高了重建精度，在与真实电导率值比较时，平均相对误差率降低至24.22%。

ABSTRACT

Magnetic Induction Tomography (MIT) is a promising modality for noninvasive imaging due to its contactless and nonionizing technology. In this imaging method, a primary magnetic field is applied by excitation coils to induce eddy currents in the material to be studied, and a secondary magnetic field is detected from these eddy currents using sensing coils. The image (spatial distribution of electrical conductivity) is then reconstructed using measurement data, the initial estimation of electrical conductivity, and the iterative solution of forward and inverse problems. The inverse problem can be solved using one-step linear, iterative nonlinear, and special methods. In general, the MIT inverse problem can be solved by Gauss-Newton iterative method with acceptable accuracy. In this paper, this algorithm is extended and the zoning technique is employed for the reduction of unknown coefficients. The simulation results obtained by the proposed method are compared with the real conductivity coefficients and the mean relative error rate is reduced to 24.22%. On the other hand, Gauss-Newton iterative method is extended for solving the inverse problem of the MIT, and sensitivity measurement matrices are extracted in different experimental and normalization conditions.

研究动机与目标

• 解决MIT反问题的病态性和计算密集性问题。
• 减少未知电导率系数的数量，以提高解的稳定性和效率。
• 通过将空间上相似的电导率区域分组，应用分区技术以提升重建精度。
• 使用模拟数据验证所提方法，并与真实电导率分布进行比较。
• 在多种归一化和实验条件下提取并分析灵敏度矩阵，以提升反问题求解的鲁棒性。

提出的方法

• 应用高斯-牛顿迭代方法求解MIT中的非线性反问题。
• 引入一种分区技术，将成像区域划分为电导率相似的区域，从而减少未知数数量。
• 使用前向模型基于已知电导率分布和激励线圈模拟感应磁场。
• 构建灵敏度矩阵，将电导率变化映射到传感器线圈测得电压的变化。
• 在不同实验条件下对灵敏度矩阵进行归一化，以提高反问题求解器的收敛性和稳定性。
• 使用高斯-牛顿更新公式迭代更新电导率估计值：Δσ = (J^T J)^{-1} J^T (d - d_meas)，其中J为灵敏度矩阵。

实验结果

研究问题

• RQ1 分区技术能否有效减少MIT反问题重建中的未知电导率系数数量？
• RQ2 所提出的带分区的高斯-牛顿方法与标准高斯-牛顿方法相比，在重建精度和收敛性方面表现如何？
• RQ3 归一化和实验条件对灵敏度矩阵及反问题求解质量有何影响？
• RQ4 分区策略在多大程度上降低了电导率重建的平均相对误差？
• RQ5 不同的归一化条件如何影响灵敏度矩阵在反问题中的稳定性和性能？

主要发现

• 所提方法将重建电导率值与真实电导率值之间的平均相对误差率降低至24.22%。
• 分区技术显著减少了未知数数量，提高了计算效率和解的稳定性。
• 在多种归一化和实验条件下成功提取并分析了灵敏度矩阵，增强了反问题的鲁棒性。
• 与标准方法相比，带分区的高斯-牛顿方法在收敛性和精度方面表现更优。
• 该方法在不同归一化条件下仍保持可接受的重建质量，表明其具有较强的鲁棒性。
• 结果证实，通过分区减少未知系数是提升MIT中迭代反问题求解器性能的有效策略。