关键词electrical impedance tomography
搜索结果 - 7
- 基于数据驱动的电阻抗断层成像部分边界数据分割方法
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 - 电阻抗成像：深度学习与基于分析的方法的公平比较研究
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 - 深度卡尔德隆电阻抗成像方法
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。
- 使用具有 Anderson 加速的学习半二次拆分网络增强电阻抗层析重建
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 - ICLRTransformer 遇上边值反问题
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。
- 使用深度学习解决电阻抗成像技术
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。
- Deep D-bar：使用深度神经网络进行实时电阻抗层析成像
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