图像重建使用监督学习在胸部可穿戴电阻断层扫描中的图像重建
Mikhail Ivanenko1, Waldemar T Smolik1, Damian Wanta1
1Faculty of Electronics and Information Technology, Warsaw University of Technology, Nowowiejska 15/19, 00-665 Warsaw, Poland.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
电容合电阻断层扫描 (CCEIT) 使用深度学习进行肺部成像. 条件生成对抗网络 (cGAN) 在完全连接的网络中表现出优越的性能,即使有噪音数据,也可以诊断肺部疾病.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 电阻断层扫描 (EIT) 是一种非侵入性成像方法.
- 无接触式CCEIT为可穿戴设备提供了潜力.
- 机器学习显示了EIT图像重建的前景.
研究的目的:
- 用32个电极研究CCEIT图像重建的深度神经网络.
- 将完全连接的深度神经网络和条件生成对抗网络 (cGAN) 进行比较.
- 根据代数方法评估重建质量.
主要方法:
- 使用模拟肺部疾病的胸部幻影的数值模拟生成的训练数据 (肺胸部,多叶流液,水肺胸部).
- 使用32个电极传感器和ECTsim工具箱进行前向问题和测量模拟.
- 训练了两个监督的人工神经网络 (完全连接和cGAN) 用于图像重建.
主要成果:
- 这两种深度学习网络在像素对像素指标中都超过了代数重建方法.
- cGANs表现出比完全连接的网络显著更好的性能,特别是在杂的数据方面.
- ROC AUC分析表明,代数方法仍然可以产生令人满意的诊断价值.
结论:
- 监督深度学习,特别是cGANs,可以为区域肺功能评估提供有效的CCEIT图像重建.
- 具有先进机器学习的CCEIT具有诊断肺部疾病的潜力,如肺胸炎和多流液.
- 对更高电极数量的深度学习进行进一步的研究是有必要的.
