Diff-INR:电阻抗层析成像的生成正则化
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
使用基于隐式神经表示的后验采样方法(DiffINR),该方法能在高加速因子下实现逼真精确的扫描成像重建,并且可以将其推广应用于其他医学影像任务。
Jul, 2024
我们提出了一种双域深度D-bar方法,通过神经网络结构从低对比度的D-bar图像中提取高对比度的D-bar图像序列,并采用多尺度结构改善电导率近似,同时设计了一种基于GPU的Richardson迭代方法加速D-bar的数据增强过程,并在KIT4和ACT4系统的模拟EIT数据上与现有方法相比取得了显著的绝对EIT成像质量提高。
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