本研究证明利用卷积神经网络技术处理非线性逆问题可以使电阻抗断层成像的重建效果更加清晰可靠。该网络通过对模拟数据进行训练，并成功地应用于实验数据的处理，无需额外的转移训练步骤。结果使用 ACT4 和 KIT4 电阻抗断层成像系统的实验数据呈现。

Nov, 2017

本文提出了使用深度神经网络解决电抗层析成像（EIT）问题的新方法。通过线性摄动分析正向映射并基于数值低秩性质，我们针对二维和三维问题提出了紧凑的神经网络结构，并证明了所提出的神经网络的高效性。

Jun, 2019

使用电阻抗成像（EIT）技术解决 EIT 反问题的方法进行了综述，重点考察了基于深度学习和传统分析方法之间的相互作用，评估它们在重建复杂电导率分布方面的能力，并引入了具有变化电导率情景的评估方法，以模拟组织或材料在现实场景中呈现空间变化的电学特性。

Oct, 2023

本研究针对现有方法进行了改进，从而提出了一种复杂阻抗层析成像技术，该技术通过使用卷积神经网络对成像结果进行后处理，以改善成像的分辨率和准确性。实验结果表明，该方法能够显著提高标准 Calderón 方法的性能。

Apr, 2023

电阻抗层析成像是一种非侵入性成像方法，在医疗和工业领域具有重要应用。本文介绍了三种基于数据驱动的电阻抗层析成像重建方法，其中一种方法在 2023 年的 Kuopio 层析挑战赛中获得第一名。这三种方法都基于类似的神经网络，并利用合成数据集进行训练，从而提供了这些不同数据驱动重建方法的公平比较机会。

May, 2024

本文提出一种基于图卷积神经网络的重建方法，通过对有限元网格进行图化处理构建图，使用新型的聚集池化和反池化方式设计了灵活的图 U-Net。我们将该方法应用于电阻抗层析成像重建，经过模拟数据和三种不同测量设备的实验验证，表明该模型能够取得较好的性能和灵活性，可实现从三维设备到不同领域的重建。

May, 2023

提出了一种基于转换器的深度直接抽样方法，用于电阻抗层析成像中的逆问题，尤其是在基于局部微分方程的特征映射和可学习的非局部核心的引入下，直接采样被重新转化为修正的注意机制，被证明该方法比先前的研究获得了更高的精度，同时还表现出对噪声的鲁棒性。

Sep, 2022

本研究提出了一种基于物理学知识的深度学习算法，将 Anderson 加速方法应用于 Half-Quadratic Splitting 网络中，以提高电阻抗成像的精度和稳定性。实验表明，这种算法在重建图像的同时，能够避免伪影和噪点的产生，具有一定的优势。

Apr, 2023

我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net)，通过 3D 卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数，以及对目标域数据的部分微调，解决了脑机接口中相邻通道的相关性表示和个体差异的问题，在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能，分别达到 70.42% 和 73.91% 的准确率。

Sep, 2023

基于深度学习和生成对抗网络的逆散射问题研究，通过对多频散射电场幅度的准确和高效重构，提出了一个强大的方法，其中采用了对抗自编码器和密集层构成的逆神经网络框架，通过与正向神经网络的比较验证了结果的可靠性和提高了建模效率。

Feb, 2024