DeepcomplexEIT: Exploring the Image Reconstruction of Complex-Valued EIT

Zichen Wang

doi:10.1109/TIM.2025.3608349

DeepcomplexEIT: Exploring the Image Reconstruction of Complex-Valued EIT

2025-01-01

0

PRE

AI

DOI：10.1109/TIM.2025.3608349

原文链接

原文求助

摘要

En 中文

复数域电阻抗层析成像（Cv-EIT）能够揭示各种健康和受损组织/器官的电学特性（电导率和介电常数），是一种在工业和医学成像领域具有前景的技术。然而，当前大多数研究主要关注电导率参数，忽略了介电常数的影响。为解决上述挑战，本文提出了一种基于学习的Cv-EIT图像重建新方法，称为DeepcomplexEIT，该方法能够通过多物理场信息交互同时重建电导率和介电常数的分布。DeepcomplexEIT旨在利用卷积神经网络和Transformer的优势获取高保真度的复数域导纳分布。具体而言：1）在复数域采用深度可分离卷积和池化技术改进U型架构；2）提出具有可学习截止频率的二维滤波器，用于在空间和频谱域表征多频信息；3）设计了一种新型复数域视觉Transformer（Cv-ViT）和跨域注意力机制，用于表征多物理场交互与互补下的局部-全局多尺度信息。扩展实验结果表明，DeepcomplexEIT在复杂形状特征和多相导纳分布方面优于当前最优（SOTA）复数域模型。性能评估采用16电极EIT系统的水箱仿体实验，信噪比约67 dB，其中多相包含物的电导率/介电常数的定量指标（均方根误差RMSE）分别为1.982/0.946，结构相似性指数（SSIM）为0.992/0.994；肺形包含物的RMSE分别为2.593/2.506，SSIM为0.989/0.992。总体而言，DeepComplexEIT有望进一步推动多参数可视化在实际应用中的发展。

Keyword:

Complex-valued electrical impedance tomography (Cv-EIT)

complex-valued Vision Transformer (Cv-ViT)

inverse problem

learnable filters

multiphysics parameter interactions

DeepcomplexEIT: Exploring the Image Reconstruction of Complex-Valued EIT

摘要

期刊

机构

引用论文