用于非线性多频电气阻抗断层成像的深度展开网络
数值分析
2025-07-23 v1 机器学习
数值分析
机器学习
摘要
多频电气阻抗断层成像 (mfEIT) 代表了一种有前景的生物医学成像模态，使我们能够在多个频率范围内估算组织电导率。为此，我们提出了一种新型变分网络，这是一种以模型为基础的学习范式，战略性地融合了经典迭代重建方法的优势和可解释性，以及深度学习的强大能力。该方法将图神经网络 (GNN) 集成到迭代的近似正则化高斯牛顿 (PRGN) 框架中。通过展开 PRGN 算法，其中每个迭代对应一个网络层，我们利用非线性模型拟合的物理洞察力，以及 GNN 捕获跨频率相关性的能力。值得注意的是，GNN 架构保留了用于求解非线性正向模型的不规则三角网格结构，使我们能够准确重建重叠组织分数浓度。
引用
@article{arxiv.2507.16678,
title = {Deep Unfolding Network for Nonlinear Multi-Frequency Electrical Impedance Tomography},
author = {Giovanni S. Alberti and Damiana Lazzaro and Serena Morigi and Luca Ratti and Matteo Santacesaria},
journal= {arXiv preprint arXiv:2507.16678},
year = {2025}
}