本文介绍了一种新型绝对电阻抗层析成像（a-EIT）图像重建方法，该方法将深度学习技术与实时强健的D-bar方法配对，并通过训练卷积神经网络来进行后处理，以提高图像质量。

Nov, 2018

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

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

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

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

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

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

本研究针对电阻抗层析成像（EIT）的非线性逆问题所带来的重建精度挑战，提出了一种创新的方法Diff-INR，将生成正则化与隐式神经表示结合。通过引入几何先验，Diff-INR在不同的网格密度和超参数设置下实现了先进的重建精度，展示了该方法的灵活性与效能，并为其他面临类似非适定逆问题的成像模式提供了可借鉴的原理。

Sep, 2024

本研究针对电阻抗层析成像中存在的非线性逆问题，提出了一种新颖的方法Diff-INR，结合了生成正则化和隐式神经表示。该方法通过引入几何先验，有效提升了重建精度，并展现出在不同网格密度和超参数设置下的稳健性能，标志着在应对EIT问题的重大进展。

Sep, 2024

本研究解决了现行多频电阻抗成像（mfEIT）方法对大量标注训练数据的依赖问题，并提出了一种新颖的无监督学习方法，即基于多分支注意力图像先验（MAIP）的重建方法。结果表明，该方法在不需要训练数据的情况下，能够显著捕捉频率间的关联，提供与最先进算法相当或更好的重建性能，从而提升mfEIT在生物医学应用中的可靠性与适用性。

Sep, 2024