Dual-Domain Deep D-bar Method for Solving Electrical Impedance Tomography

正则化D-bar方法是解决电阻抗成像问题中最为突出的方法之一，因其高效性和简单性而备受关注。它通过在非线性傅里叶域中对散射数据进行低通滤波，从而提供了一种直接的途径，得到了平滑的电导率近似值。然而，由于缺乏准确的高频信息和问题的病态性，D-bar图像通常呈现低对比度和低分辨率。本文提出了一种双域神经网络架构，用于从低对比度D-bar图像中检索高对比度D-bar图像序列。为了进一步突出电导率分布的空间特征，广泛采用的U-net已经被定制为从预测的D-bar图像序列中进行电导率图像校准。我们将这种混合方法称为双域深度D-bar方法，因为考虑了散射数据和图像信息。与单尺度结构相比，我们提出的多尺度结构在减少伪影和改善电导率近似方面具有更强的能力。此外，使用GMRES算法解决离散D-bar系统需要显着的计算复杂度，在基于CPU的设备上非常耗时。为了解决这个问题，我们设计了一种基于GPU的Richardson迭代方法来加速D-bar的数据增强过程。数值结果是基于KIT4和ACT4系统的模拟EIT数据呈现的，以证明与现有方法相比，在绝对EIT成像质量方面有显著的改进。

本论文旨在解决电阻抗成像（EIT）中D-bar图像的低对比度和低分辨率问题，提出了一种基于双域神经网络的深度D-bar方法，以提高绝对EIT成像质量。

该论文提出了一种双域深度D-bar方法，通过结合散射数据和图像信息，使用多尺度结构进行数据增强，以提高对比度和分辨率。同时，为了加速数据增强过程，设计了一种基于GPU的Richardson迭代方法。

实验使用了KIT4和ACT4数据集，结果表明该方法在绝对EIT成像质量上具有显著改进。此外，该论文还开源了代码，值得进一步研究。

近期相关研究包括： 1. A deep learning approach for electrical impedance tomography image reconstruction 2. Electrical impedance tomography image reconstruction using deep learning with domain adaptation