论文部分内容阅读
近年来,电阻抗成像(Electrical Impedance Tomography,EIT)技术作为一种无创功能性检测技术得到了快速发展。而作为EIT技术的一个重要分支,磁探测电阻抗成像(Magnetic Detection Electrical Impedance Tomography,MDEIT)技术改善了EIT技术中检测点受成像体表面积限制的缺点,通过激励电流作用下成像体周围产生的磁感应强度分布重建成像体内部电导率。MDEIT技术与传统电阻抗成像一样具有无创、测量方便、价格低廉的特点。另外,MDEIT技术通过非接触测量,避免了接触阻抗对成像精度的影响。但MDEIT图像重建过程存在非线性、病态性和不适定性问题,传统重建算法将非线性问题通过近似线性化的方法求解,会导致重建图像精度不高,抗噪性差的问题。针对以上重建算法的缺点,为进一步提高重建精度,本文首先提出了将浅层神经网络模型的反向传播(Back Propagation,BP)神经网络算法用于MDEIT图像重建。详细介绍了算法中正向传播建立权重矩阵和反向传播更新权重矩阵的过程,针对磁感应强度分布和电导率分布之间的非线性关系,建立BP神经网络模型,通过仿真实验对比传统MDEIT重建算法,验证BP神经网络算法的有效性。在浅层神经网络的基础上,提出了基于栈式自编码(Stacked Autoencoder,SAE)深度学习的MDEIT图像重建算法。介绍了SAE网络的结构并详细分析了深度学习模型的训练过程,建立深度学习模型,通过仿真实验证明了SAE深度学习模型对于解决磁探测电阻抗成像逆问题的非线性是有效的。其次为验证算法有效性,本文提出了图像重建质量的客观评价指标,异质体的形心评价了算法对于异质体定位的能力,剖面图则评价了算法对于异质体形状的重建能力,最后针对测量系统中存在噪声的问题,在仿真实验中加入一定量的高斯白噪声,以评价算法的抗噪性能。最后,为丰富磁场检测信息,提出了双激励模型,通过仿真实验证明了模型的有效性。并将本文提出的算法应用于仿体实验中,重建结果验证了算法的稳定性。基于栈式自编码深度学习的MDEIT图像重建算法的提出显著提高了电导率图像的重建精度和抗噪性能,对磁探测电阻抗成像技术的发展具有推动作用。