電気インピーダンス断層撮影のための支配的な深部学習スキーム

目的：最近、深い学習が電気インピーダンス断層撮影（EIT）イメージングに適用されました。それにもかかわらず、このアプローチに直面しなければならない多くの課題があります。たとえば、循環包括的トレーニングデータを使用する場合、鋭い角やエッジを持つターゲットは十分に回復することはできません。このペーパーでは、反復的ベースの反転法と畳み込みニューラルネットワーク（CNN）ベースの反転法を提案し、CNNベースの方法でランダムサークルまたは楕円トレーニングデータのみを使用する三角形、長方形、または肺形状などのいくつかの挑戦的な包含物を回復します。 方法：最初に、反復法、すなわち、塩基拡張サブスペース最適化法（BE-SOM）は、総変動正規化を伴う誘導コントラスト電流（ICC）の概念に基づいて提案されています。第二に、be-somの理論的分析とそこで導入された物理的概念は、ICCの支配的な部分がCNNのマルチチャネル入力を生成するために利用されるEITイメージングの支配的な流動深い学習スキームを提案するように動機付けます。 結果：提案された方法は、数値データと実験データの両方でテストされます。このデータでは、シミュレートされた気胸や胸水病理を含むいくつかの現実的なファントムも考慮されます。 結論と重要性：提案された方法の大幅なパフォーマンスの改善は、鋭い角またはエッジでターゲットを再構築することに示されています。また、提案された方法は高速で安定した高品質のEITイメージングが可能であることが実証されており、潜在的な臨床応用に定量的な画像を提供することが有望です。

OBJECTIVE: Deep learning has recently been applied to electrical impedance tomography (EIT) imaging. Nevertheless, there are still many challenges that this approach has to face, e.g., targets with sharp corners or edges cannot be well recovered when using circular inclusion training data. This paper proposes an iterative-based inversion method and a convolutional neural network (CNN) based inversion method to recover some challenging inclusions such as triangular, rectangular, or lung shapes, where the CNN-based method uses only random circle or ellipse training data. METHODS: First, the iterative method, i.e., bases-expansion subspace optimization method (BE-SOM), is proposed based on a concept of induced contrast current (ICC) with total variation regularization. Second, the theoretical analysis of BE-SOM and the physical concepts introduced there motivate us to propose a dominant-current deep learning scheme for EIT imaging, in which dominant parts of ICC are utilized to generate multi-channel inputs of CNN. RESULTS: The proposed methods are tested with both numerical and experimental data, where several realistic phantoms including simulated pneumothorax and pleural effusion pathologies are also considered. CONCLUSIONS AND SIGNIFICANCE: Significant performance improvements of the proposed methods are shown in reconstructing targets with sharp corners or edges. It is also demonstrated that the proposed methods are capable of fast, stable, and high-quality EIT imaging, which is promising in providing quantitative images for potential clinical applications.