首页/论文/1901.04872

arXiv 1901.048722019-01-14eess.IVcs.CV

基于遗传算法的电阻抗成像

Electrical Impedance Tomography based on Genetic Algorithm

School of Computer Science and Communication Engineering, GXUST（广西科技大学计算机科学与通信工程学院）

Mingyong Zhou

备注：: Full paper was accepted into proceedings of 4th International Conference on Innovation in Computing System & Engineering Technology ( ICICSET 2018) in Zurich, Switzerland on August 14- 15, 2018

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文将遗传算法应用于电阻抗成像（EIT）中。我们首先概述EIT问题作为一个优化问题，并定义一个目标优化函数。然后，我们展示了如何GA算法作为一种替代搜索算法可以用于解决EIT逆问题。在本文中，我们探索进化方法，如遗传算法结合各种正则化算子来解决EIT反计算问题。关键词：电阻抗成像（EIT），遗传算法，Tikhonov算子，Mumford-Shah算子，粒子群优化（PSO），反向传播（BP）。

英文摘要：

In this paper, we applies GA algorithm into Electrical Impedance Tomography (EIT) application. We first outline the EIT problem as an optimization problem and define a target optimization function. Then we show how the GA algorithm as an alternative searching algorithm can be used for solving EIT inverse problem. In this paper, we explore evolutionary methods such as GA algorithms combined with various regularization operators to solve EIT inverse computing problem. Key words: Electrical Impedance Tomography (EIT), GA, Tikhonov operator , Mumford-Shah operator, Particle Swarm Optimization(PSO), Back Propagation(BP).

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

Diff-INR：用于电阻抗断层成像的生成式正则化

Diff-INR: Generative Regularization for Electrical Impedance Tomography

University of Science and Technology of China（中国科学技术大学）

针对EIT重建中的病态非线性逆问题，提出Diff-INR，利用扩散模型生成式正则化与INR及几何先验指导重建，在仿真和实验数据上取得最先进精度。

2024-09-10cs.CVeess.IV

基于部分边界数据的电阻抗断层成像图像分割的数据驱动方法

Data-driven approaches for electrical impedance tomography image segmentation from partial boundary data

Center of Industrial Mathematics, University of Bremen（不来梅大学工业数学中心）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）

针对部分边界数据下的EIT图像分割，本文提出后处理、全学习和条件扩散三种数据驱动重建方法，并基于相同骨干网络与合成数据集进行公平比较。

2024-05-06cs.CVcs.LGeess.IV

电阻抗断层成像的物理驱动神经补偿

Physics-Driven Neural Compensation For Electrical Impedance Tomography

School of Biomedical engineering University of Science and Technology of China（生物医学工程学院中国科学技术大学）；CAS Key Laboratory of Microscale Magnetic Resonance University of Science and Technology of China（微尺度磁共振CAS重点实验室中国科学技术大学）

本文提出PhyNC框架，结合EIT物理原理，通过动态分配神经表示能力至低敏感区域，解决病态逆问题并提升电导率重建的准确性与鲁棒性。

2025-04-28cs.CVeess.IV

基于机器学习的电阻抗成像数据分类

Classification of Electrical Impedance Tomography Data Using Machine Learning

患有肺部疾病的患者通常表现出在均匀性方面的病理性肺通气。电阻抗断层扫描（EIT）是一种非侵入性成像方法，可以分析和量化肺中的通气分布。在这篇文章中，我们提出了一种新的方法来促进EIT数据的使用和新的临床应用的实施，用于鉴别诊断，开发了几种机器学习模型来区分健康和非健康受试者的EIT数据。采集了16名受试者的EIT数据：5名健康受试者和11名非健康受试者（患有多种肺部疾病）。初步结果表明，在具有挑战性的评估方案的准确率为66%。结果表明，EIT特征工程方法与机器学习方法的配对可以进一步探索并应用于患有肺部疾病的患者的诊断和监测。此外，我们还介绍了在EIT数据分析（阻抗曲线相关性）的背景下使用的一个新功能。

2021-08-02eess.IV

乳腺癌筛查技术：热成像和电阻抗断层成像

A Survey of Breast Cancer Screening Techniques: Thermography and Electrical Impedance Tomography

Femto-ST Sciences & Technologies（Femto-ST科学与技术研究所）

乳腺癌是一种威胁许多妇女生命的疾病，因此，早期和准确的检测在降低死亡率方面起着关键作用。乳房X光检查是乳腺癌筛查的参考技术;然而，由于经济，社会和文化问题，许多国家仍然缺乏乳房X光检查。计算工具、红外摄像机和生物阻抗量化设备的最新进展允许开发并行技术，如热成像、红外成像和电阻抗断层扫描，这些技术更快、更可靠、更便宜。在过去的几十年里，这些被认为是乳腺癌诊断的补充程序，许多研究得出结论，假阳性和假阴性率大大降低。这项工作的目的是审查最新的突破，上述三个技术描述的好处，混合几种计算技能，以获得更好的全球性能。此外，我们还比较了应用于乳腺癌诊断的几种机器学习技术，从逻辑回归、决策树和随机森林到人工、深度和卷积神经网络。最后，对三维乳腺仿真、预处理技术、研究领域的生物医学设备、肿瘤位置和大小的预测提出了几点建议。

2022-02-08cs.CVcs.LGeess.IV

电阻抗断层成像的正则化浅层图像先验

Regularized Shallow Image Prior for Electrical Impedance Tomography

提出一种结合未训练神经网络先验与手工先验的正则化浅层图像先验方法用于EIT，利用3层MLP正则化反演，在降低架构复杂度的同时实现了与DIP相当的性能并显著提升了图像结构保持能力。

2023-03-30eess.IV

更多相关论文收起更多论文

MMV-Net：一种用于多频电阻抗成像的多测量矢量网络

MMV-Net: A Multiple Measurement Vector Network for Multi-frequency Electrical Impedance Tomography

多频电阻抗断层成像（mfEIT）是一种新兴的生物医学成像模式，用于揭示生物医学应用中频率依赖的电导率分布。传统的基于模型的图像重建方法存在空间分辨率低、频率相关性不受约束、计算量大等问题。深度学习已广泛应用于解决生物医学和工业过程成像中的EIT逆问题。然而，大多数现有的基于学习的方法处理单频设置，这是低效和无效的扩展时，以解决多频设置。在本文中，我们提出了一个多测量矢量（MMV）模型为基础的学习算法命名为MMV-Net解决mfEIT图像重建问题。MMV-Net考虑了mfEIT图像之间的相关性，并展开了MMV问题的交替方向乘法（ADMM）的更新步骤。与加权l2_1正则化项相关联的非线性收缩算子通过空间自注意模块和卷积长短期记忆（ConvLSTM）模块的级联来概括，以捕获频率内和频率间的依赖性。在我们的Edinburgh mfEIT数据集和一系列综合实验上验证了所提出的MMVNet。所有的重建结果显示出优越的图像质量，收敛性能和噪声鲁棒性对国家的最先进的。

2021-05-26eess.IV

用于电阻抗层析成像的多尺度频率增强深度D-bar方法

Multi-Scale Frequency-Enhanced Deep D-bar Method for Electrical Impedance Tomography

School of Mathematical Sciences（数学科学学院）；Institute of Natural Sciences（自然科学研究院）；Shanghai Jiao Tong University（上海交通大学）

本文针对D-bar方法在EIT重建中对比度和分辨率不足的问题，提出结合多尺度频率增强与空间一致性的深度学习监督重建方法，并设计GPU不动点迭代加速求解，在KIT4和ACT4数据集上验证了成像质量的显著提升。

2025-02-07cs.CVcs.NAeess.IV

基于多分支注意力图像先验的多频电阻抗断层成像重建

Multi-frequency Electrical Impedance Tomography Reconstruction with Multi-Branch Attention Image Prior

The University of Edinburgh（爱丁堡大学）；University of Dundee（邓迪大学）

针对现有多频电阻抗断层成像监督算法依赖大量训练数据、易引入频率间错误电导率对比度的问题，提出基于多分支注意力图像先验的无监督重建方法，无需训练数据即可实现鲁棒重建，性能媲美或优于现有最优算法且泛化性更强。

2024-09-17cs.CVcs.LGeess.IV

基于鱼群搜索、非盲搜索和遗传算法的电阻抗成像重建

Reconstruction of Electrical Impedance Tomography Using Fish School Search, Non-Blind Search, and Genetic Algorithm

电阻抗断层成像（EIT）是一种不使用电离辐射的非侵入性成像技术，在环境科学和健康领域都有应用。图像重建是通过求解一个反问题和不适定的。进化计算和群体智能已经成为求解反问题的方法之源。鱼群搜索是一种基于鱼群动态的搜索和优化方法。本文提出了一种基于频率选择支持和非盲搜索的EIT图像重建方法。该方法进行了评估，使用数值幻影组成的电导率图像与主题的中心，中心和边缘之间的圆形截面的边缘上，与网格的415个有限元。作者对每种配置进行了20次模拟。结果表明，FSS和FSS-NBS都能够比遗传算法更快地收敛。

2017-12-03cs.NEeess.IVphysics.med-ph

脑深部电刺激手术电阻抗三维成像后处理工具及可行性研究

A Post-Processing Tool and Feasibility Study for Three-Dimensional Imaging with Electrical Impedance Tomography During Deep Brain Stimulation Surgery

National Yang Ming Chiao Tung University（国立阳明交通大学）

电阻抗断层成像（EIT）是一种很有前途的生物医学成像技术。EIT的优势在于它能够通过辐射安全技术重建身体内部结构的图像。EIT被认为对患者的健康是安全的，目前正在积极研究。本文研究了EIT在脑深部电刺激（DBS）手术中的应用，作为手术过程中识别靶点的一种手段。DBS涉及将导线或电极阵列植入大脑特定目标区域的外科手术。然后，电刺激用于调节目标区域内的神经回路，以减少致残性神经症状。进行DBS手术的主要困难是在开始治疗之前将电极导线准确定位在目标区域。与术前磁共振成像（MRI）或计算机断层扫描（CT）图像相比，DBS手术期间的脑组织移位可能与靶尺寸一样大。为了解决这个问题，提出了一种基于开域EIT的解决方案，以在DBS手术期间重建探头周围的图像。进行数据采集和图像重建，并应用人工智能增强所得图像。结果表明，所提出的方法是快速的，产生有价值的高质量的图像，并构成了在体内研究的第一步。

2022-06-26cs.LGeess.IV

MR-EIT：基于数据驱动和无监督双模式神经网络的电阻抗断层成像多分辨率重建

MR-EIT: Multi-Resolution Reconstruction for Electrical Impedance Tomography via Data-Driven and Unsupervised Dual-Mode Neural Networks

Key Laboratory of Intelligent Control of Electrical Equipment, Tiangong University（天津工业大学智能电气装备控制重点实验室）；School of Artificial Intelligence, Tiangong University（天津工业大学人工智能学院）

本文提出用于电阻抗断层成像的多分辨率重建方法MR-EIT，通过结合有序特征提取与无序坐标特征表达模块，支持数据驱动和无监督双模式，实现从低到高分辨率的鲁棒图像重建。

2025-03-02cs.AIcs.CVeess.IV

神经网络辅助电阻抗成像技术在自感知材料空间损伤表征中的应用

Spatial Damage Characterization in Self-Sensing Materials via Neural Network-Aided Electrical Impedance Tomography: A Computational Study

Purdue University（普渡大学）

连续结构健康监测和综合无损评价是保证高风险工程结构安全运行的重要手段。近年来，压阻纳米复合材料在结构健康监测和无损检测方面受到了广泛关注。这些材料是自感知的，因为它们的导电性会随着变形和损坏而变化。结合电阻抗断层扫描（EIT），可以绘制有害影响。然而，EIT具有重要的局限性-它是计算昂贵的，提供模糊的损伤形状的信息，并可能错过多个损伤，如果他们是靠近在一起。在这篇文章中，我们应用一种新的神经网络方法来量化损伤指标，如大小，数量和位置从EIT数据。该网络使用校准到压阻碳纳米纤维改性环氧树脂的实验数据的模拟例程进行训练。我们的研究结果表明，该网络可以预测损坏的数量与99.2%的准确性，量化损伤的大小相对于平均半径的平均误差为2.46%，和量化损伤的位置相对于域长度的平均误差为0.89%。这些结果是将自感材料和EIT的组合转化为现实世界的SHM和NDE的重要的第一步。

2020-10-04cs.LGeess.IV

电阻抗断层成像的基于深度学习的重建方法

Deep Learning Based Reconstruction Methods for Electrical Impedance Tomography

本综述探讨了采用深度神经网络求解电阻抗断层成像（EIT）逆问题的学习型重建方法，比较了多种学习型与基于模型的传统重建技术，发现学习型方法在分布内数据上表现更优，而混合方法在准确性和适应性间取得良好平衡。

2025-08-08eess.IV

采用电磁跟踪手持探头的融合电阻抗断层成像技术用于口腔癌切缘评估：重建方法与体模验证

Fused electrical impedance tomography using an electromagnetically tracked handheld probe for oral cancer margin assessment: reconstruction methods and phantom validation

Thayer School of Engineering, Dartmouth College（达特茅斯学院泰勒工程学院）；Geisel School of Medicine, Dartmouth College（达特茅斯学院盖泽尔医学院）

本研究开发采用电磁跟踪手持探头的融合电阻抗断层成像方法，经模拟与体模实验验证，可将口腔癌边界定位精度提升至0.5mm内，融合差分EIT抗噪性最优，为临床可部署的阻抗成像技术奠定基础。

2026-08-04eess.IVeess.SP

用深度递归模型从电阻抗断层成像推断呼吸和循环参数

Inferring respiratory and circulatory parameters from electrical impedance tomography with deep recurrent models

Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；University Medical Center Schleswig-Holstein（石勒苏益格-荷尔斯泰因大学医学中心）

电阻抗断层成像（EIT）是一种无创成像方式，可以连续评估不同器官的局部生物阻抗变化。其最常见的生物医学应用之一是监测在重症监护室治疗的危重患者的局部通气分布。在这项工作中，我们提出了一项原理验证研究，该研究演示了如何使用以端到端方式训练的深度学习模型从EIT图像序列中重建同步测量的呼吸或循环参数。我们证明，人们可以准确地推断绝对容量，绝对流量，归一化的气道压力，甚至在一定的限制范围内，归一化的动脉血压从EIT信号单独的，在某种程度上，推广到看不见的病人没有事先校准。作为具有直接临床相关性的展望，我们进一步证明了从EIT和绝对气道压力的组合重建绝对经食管压力的可行性，作为一种可能取代食管压力的有创测量的方法。有了这些结果，我们希望能激励进一步的研究建立在这项工作中提出的框架。

2020-10-19cs.LGeess.IVeess.SP

变分自编码器、归一化流与基于分数的扩散模型在电阻抗层析成像中的比较研究

A Comparative Study of Variational Autoencoders, Normalizing Flows, and Score-based Diffusion Models for Electrical Impedance Tomography

本文比较了变分自编码器、归一化流和基于分数的扩散模型在电阻抗层析成像逆问题中的表现，发现不同噪声水平下各模型泛化能力各有优劣，为EIT深度生成模型选择提供了参考。

2024-05-02eess.IV

图卷积网络实现基于电阻抗断层成像的出血性卒中快速监测

Graph convolutional networks enable fast hemorrhagic stroke monitoring with electrical impedance tomography

University of Eastern Finland（东芬兰大学）；Tampere University（坦佩雷大学）；Marquette University（马凯特大学）；University of Oulu（奥卢大学）；University College London（伦敦大学学院）

本研究提出用graph U-net后处理线性差分成像的电阻抗断层成像重建方法，可在极低计算成本下达到甚至优于耗时非线性方法的图像质量，且能以2D训练处理3D数据，为出血性卒中在线监测提供可行方案。

2024-12-10cs.AIcs.CVcs.LG

基于扩散后验采样的图结构数据非线性反问题求解方法及其在电阻抗断层成像中的应用

Diffusion Graph Posterior Sampling for Nonlinear Inverse Problems with Application to Electrical Impedance Tomography

MaLGa Center, Department of Mathematics, University of Genova（马尔加中心，数学系，热那亚大学）；Department of Mathematics, University of Bologna（数学系，博洛尼亚大学）；Department of Mathematics, Harbin Institute of Technology（数学系，哈尔滨工业大学）

本文提出了一种扩展扩散后验采样（DPS）到图结构数据的框架，通过在二维三角网格上开发无条件分数基于扩散模型来学习物理解空间的准确先验，并引入正则化变体RDPS，结合总变差和广义Tikhonov等显式正则化项，以缓解严重病态问题，实验表明RDPS在合成和真实2D EIT数据集上产生稳定且物理合理的重建。

2026-05-19cs.LGcs.NAeess.IV

神经网络在电阻抗断层成像中的脑卒中分类

Classification of stroke using Neural Networks in Electrical Impedance Tomography

电阻抗断层成像（EIT）是一种新兴的无创医学成像模式。它基于将电流馈送到患者体内，测量在皮肤处产生的电压，并恢复内部电导率分布。EIT图像重建的数学任务是一个非线性、不适定的反问题。因此，任何EIT图像重建方法都需要被正则化，这通常导致模糊的图像。一个有前景的应用是中风EIT，或分类中风缺血性或出血性。缺血性中风涉及血凝块，阻止血液流向大脑的一部分，导致低传导性区域。出血性中风是指大脑出血导致高传导性区域。在这两种情况下，症状是相同的，因此需要一种具有成本效益的便携式分类设备。由于模糊，典型的EIT对于中风EIT不是最佳的。本文探讨了机器学习在改善分类结果方面的可能性。两个范例进行了比较：（a）从EIT数据学习，即狄利克雷-诺依曼（DN）图，以及（b）从数据中提取鲁棒特征并从中学习。选择的特征是虚拟混合边缘检测（VHED）功能[Greenleaf { \it et al.}，分析\& PDE 11，2018]具有几何解释，并且其从EIT数据的计算不涉及计算电导率的完整图像。我们分别报告了用EIT数据和VHED函数训练的网络的准确性、灵敏度和特异性的测量结果。基于模拟噪声EIT数据的计算证据表明，正则化灰盒范例（b）导致比黑盒范例（a）更好的分类结果。

2020-09-02eess.IVmath.AP