Beltrami-Net：用于电阻抗断层成像绝对成像（a-EIT）的域无关深度 D-bar 学习

目的：开发并论证一种用于绝对电阻抗断层成像（a-EIT）的新型图像重建方法的可行性，该方法将深度学习技术与实时鲁棒的 D-bar 方法相结合。方法：将一个 D-bar 方法与一个训练好的卷积神经网络（CNN）配对作为后处理步骤。网络的训练数据通过使用相关的非物理 Beltrami 方程而非模拟特定于给定域的传统电流和电压数据来生成，无需任何边界形状知识。这使得训练数据独立于边界形状。该方法在来自两个 EIT 系统（ACT4 和 KIT4）的实验数据上进行了测试。主要结果：用 CNN 对 D-bar 图像进行后处理，在由结构相似性指数（SSIMs）以及相对 $\ell_2$ 和 $\ell_1$ 图像误差衡量的图像质量上产生了显著改善。意义：本工作表明可以训练更通用的网络而不必特定于边界形状，这是 EIT 图像重建中的一个关键挑战。该工作对涉及解剖图谱数据库的未来研究具有前景。