图卷积网络实现电阻抗断层成像的快速出血性卒中监测
图像与视频处理
2024-12-12 v1 人工智能
计算机视觉与模式识别
机器学习
偏微分方程分析
摘要
目标：开发一种用于电阻抗断层成像卒中监测的快速图像重建方法，其图像质量可与计算成本高昂的非线性基于模型的方法相媲美。方法：采用了一种基于图卷积网络的后处理方法。利用图设置的灵活性，在来自二维模拟卒中数据的线性差分重建上训练图 U-net，并将其应用于来自真实模拟和实验数据的全三维图像。还考虑了一个在三维与二维图像上训练的额外网络进行比较。结果：通过图 U-net 对线性差分重建进行后处理显著提高了图像质量，得到的图像与耗时的非线性重建方法（几分钟 vs. 几小时）相当或更好。结论：将快速重建方法（如线性差分成像）与通过图 U-net 的后处理相结合，以可忽略的计算成本提供了显著改进。与经典的基于像素的设置（CNN）相比，在图框架中进行训练允许在二维横截面图像上进行训练并处理三维体积，从而在数据模拟成本上节省近 50 倍，且质量没有明显损失。意义：所提出的用图 U-net 后处理线性差分重建的方法可能是出血性卒中在线监测的一种可行方法。
引用
@article{arxiv.2412.07888,
title = {Graph convolutional networks enable fast hemorrhagic stroke monitoring with electrical impedance tomography},
author = {J. Toivanen and V. Kolehmainen and A. Paldanius and A. Hänninen and A. Hauptmann and S. J. Hamilton},
journal= {arXiv preprint arXiv:2412.07888},
year = {2024}
}
备注
11 pages, 8 figures