基于神经网络在电阻抗断层成像中分类卒中
图像与视频处理
2020-11-06 v2 偏微分方程分析
摘要
电阻抗断层成像（EIT）是一种新兴的无创医学成像方式。其原理是向患者注入电流，在皮肤表面测量由此产生的电压，并重建内部电导率分布。EIT 图像重建的数学任务是一个非线性且不适定的逆问题。因此任何 EIT 图像重建方法都需要正则化，通常导致模糊图像。一个很有前景的应用是卒中 EIT，即将卒中分类为缺血性或出血性。缺血性卒中涉及血凝块，阻碍脑部部分区域的血流，造成低电导率区域。出血性卒中指脑部出血，造成高电导率区域。两种情况下症状相同，因此需要一种经济便携的分类设备。典型的 EIT 因模糊性而对卒中 EIT 并非最优。本文探索机器学习改善分类结果的可能性。比较了两种范式：（a）从 EIT 数据即 Dirichlet-to-Neumann（DN）映射学习；（b）从数据中提取鲁棒特征并据此学习。所选特征为虚拟混合边缘检测（VHED）函数 [Greenleaf 等，Analysis & PDE 11, 2018]，其具有几何解释，且由 EIT 数据计算它不涉及求解电导率的完整图像。我们报告了分别用 EIT 数据和 VHED 函数训练的网络在准确率、灵敏度和特异性方面的度量。基于含噪模拟 EIT 数据的计算证据表明，正则化灰盒范式（b）比黑盒范式（a）带来显著更好的分类结果。
引用
@article{arxiv.2004.06546,
title = {Classification of stroke using Neural Networks in Electrical Impedance Tomography},
author = {Juan Pablo Agnelli and Aynur Çöl and Matti Lassas and Rashmi Murthy and Matteo Santacesaria and Samuli Siltanen},
journal= {arXiv preprint arXiv:2004.06546},
year = {2020}
}