在电阻断层扫描中对神经网络的训练数据的形状分析

科学领域:

• 医疗成像医学成像
• 计算电磁学 计算机电磁学
• 生物医学工程 生物医学工程

背景情况:

• 电阻断层扫描 (EIT) 提供了对介电性质的成本效益可视化,但由于其非线性,位置不佳的性质,其分辨率较低.
• 深度学习,特别是人工神经网络 (ANN),通过建模复杂的非线性函数来改善EIT重建的前景.
• 当前的研究往往忽视了模拟培训数据结构在EIT的ANN绩效中的关键作用.

研究的目的:

• 调查模拟培训数据集中作为目标使用的不同基本几何形状对EIT的ANN重建质量的影响.
• 为了比较圆体,立方体和八面体作为包含形状在EIT图像重建培训数据中的有效性.
• 确定模拟数据几何学的选择如何影响EIT中的ANN的性能.

主要方法:

• 模拟EIT数据使用具有圆形,立方形和八面体包含的训练集.
• 训练有素的人工神经网络 (ANN) 使用这些不同的模拟数据集.
• 在实验室水箱测量中使用已建立的GREIT优点数据评估了受过训练的ANN的重建质量.

主要成果:

• 与圆形内涵训练的ANN相比,与立方体或八面体训练的ANN显示出更高的重建质量.
• 培训数据中包含的特定几何形状对最终EIT图像重建的准确性产生了重大影响.
• 圆体表现最好,表明它们适合作为EIT模拟数据的目标形状.

结论:

• 模拟训练数据的选择和结构是影响ANN在电阻断层扫描中的性能的关键因素.
• 在训练数据集中使用圆形可以提高EIT图像重建质量.
• 这项研究有助于增强独立于时间的EIT重建,潜在地改善了对肺功能等生理特征的分析.