CN108830875A - 一种基于残差最小的电阻抗层析成像图像分割方法 - Google Patents
一种基于残差最小的电阻抗层析成像图像分割方法 Download PDFInfo
- Publication number
- CN108830875A CN108830875A CN201810433712.0A CN201810433712A CN108830875A CN 108830875 A CN108830875 A CN 108830875A CN 201810433712 A CN201810433712 A CN 201810433712A CN 108830875 A CN108830875 A CN 108830875A
- Authority
- CN
- China
- Prior art keywords
- image
- electrical impedance
- value
- residual error
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000002593 electrical impedance tomography Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005192 partition Methods 0.000 title claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims description 19
- 238000003384 imaging method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 description 15
- 210000004072 lung Anatomy 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000003325 tomography Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000011157 brain segmentation Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
本发明涉及一种基于残差最小的电阻抗层析成像图像分割方法,该方法将电阻抗层析成像获得的电阻抗分布值降序排列用作阈值候选向量,通过顺序选取阈值向量中的阈值进行图像二值化分割,计算分割图像边界正向电压与测量电压的残差,若残差小于预设值,选取最小残差所对应的分割图像作为最优阈值分割图像。本发明可以提高图像对比度,得到目标物边界更加清晰。
Description
技术领域
本发明属于电学层析成像技术领域,涉及一种图像阈值分割方法。
背景技术
电学层析成像(ElectricalTomography,ET)技术兴起于上世纪80年代后期,是一种新的基于电学敏感机理的过程层析成像技术,它的物理基础是不同的媒质具有不同的电学特性(电导率/介电系数/复导纳/磁导率),通过判断敏感场内物体的电特性分布便可推知该场中媒质的分布情况。电学层析成像技术主要包括电阻层析成像(ElectricalResistance Tomography,ERT)、电容层析成像(Electrical CapacitanceTomography,ECT)、电阻抗层析成像(Electrical ImpedanceTomography,EIT)和电磁层析成像(Magnetic Induction Tomography,MIT)。电学层析成像由于具有非侵入、无辐射、无扰动、低成本和响应快速等特点,受到广大研究者的关注,已成为多相流流型监测、地质勘探、医学成像以及建筑结构损伤检测等领域的研究热门。但由于电学层析成像自身存在的病态性和非线性特点,其重建图像的空间分辨率通常较低。图像重建结果常常伴随着伪影的存在,特别是基于有限元的图像重建算法,获得的重建图像边界通常比较模糊,在实际应用中不利于图像可视化显示与定量评估。因此,提高图像对比度,获得一个边界清晰的电学重建图像对于其实际应用具有重要作用。
图像分割技术是计算机图像处理领域内常见的问题,主要基于同类像素点具有相同特性对图像像素点进行分类。比如基于像素点像素值大小,选择适当阈值对图像进行阈值分割,将具有相同或相近像素值的像素点归为一类。最常用到的阈值分割技术是基于全局最优阈值的图像分割技术,通过全局最佳阈值的选择实现图像最优化的分割。在最优化图像分割中,最佳阈值的选择是图像分割的关键所在。2001年,S.Y.Hu等人发表于《IEEETransactions on Medical Imaging(美国电子与电气工程师协会医学成像会刊)》第20卷,第490-498页,题为《Automatic Lung Segmentation forAccurate QuantitationofVolumetric X-Ray CT Images(基于精确定量的体积X射线CT图像的肺部组织自动分割)》,提出了一种基于数据集特征的最优化阈值选择方法,能够实现肺部组织CT图像的自动分割。2009年,M.Arnaldo等人发表于《IEEE Transactions onMedical Imaging(美国电子与电气工程师协会医学成像会刊)》第28卷,第1238-1250页,题为《An Adaptive Mean-Shift Framework for MRI Brain Segmentation(应用于脑核磁共振图像分割的自适应平均移位框架)》,提出了一种自适应平均移位算法,通过对图像联合空间-强度特征空间进行聚类,进而提取特征空间内高密度特征点来实现脑核磁共振图像的分割,对三种组织进行区分,通过仿真与实际MRI数据测试结果表明,所提出的方法与当前最有效的基于预配准的统计脑图集法相比具有更高的对比度和精度。上述研究是图像分割技术在硬场层析成像中的应用,图像分割技术已广泛应用于医学图像处理中,为医学诊断与治疗提供了重要的依据。在电学层析成像中,关于图像分割技术的研究报道较少,这与电学成像本身病态性、非线性导致的图像分辨率较低有关。2010年,B.Grychtol等人发表于《PhysiologicalMeasurement(生理学测量)》第31卷,第31-43页,题为《Towards lung EIT imagesegmentation:automatic classification oflung tissue state from analysis ofEITmonitoredrecruitmentmanoeuvres(关于肺部EIT图像分割:通过分析EIT监控状态进行肺部组织自动分类)》,提出了一种基于模糊逻辑算法的肺部EIT图像分割技术,通过肺部膨胀或收缩过程中气道平均压力变化方向一致来跟踪肺部组织变化。2013年,A.Zifan等人发表于《Physiological Measurement(生理学测量)》第34,第671-694页,题为《The use oftheKalman filter in the automated segmentation ofEIT lung images(基于卡尔曼滤波的EIT肺部图像自动分割)》,提出了一种快速、鲁棒的EIT肺部图像分割算法,结合卡尔曼滤波与自适应网格分组预处理,能够实现EIT肺部图像快速分割,并有望应用于临床监护中。图像分割技术在电学成像图像重建中的应用潜力较大,对于提高图像分辨率具有重要意义,也是电学成像技术解决实际问题的关键所在。当然,关于电学成像图像分割技术仍是一个开放性问题,对于高效的图像分割算法的研究仍是一个具有前景的工作。
发明内容
本发明的目的是提供一种可以提高图像对比度,得到目标物边界更加清晰的用于电阻抗层析成像的图像阈值分割方法,技术方案如下:
一种基于残差最小的电阻抗层析成像图像分割方法,该方法将电阻抗层析成像获得的电阻抗分布值降序排列用作阈值候选向量,通过顺序选取阈值向量中的阈值进行图像二值化分割,计算分割图像边界正向电压与测量电压的残差,若残差小于预设值,选取最小残差所对应的分割图像作为最优阈值分割图像,步骤如下:
(1)将被测对象置于电阻抗层析成像测量系统中,对电极实施激励,获取电极的边界测量值p;
(2)将被测场域内电阻抗分布离散化表征为n个像素点的电阻抗分布图像,并计算边界测量值p关于成像区域内离散分布的电阻抗值的灵敏度矩阵J;
(3)利用某种图像重建算法获取电阻抗层析成像重建图像x;
(4)将图像x的像素值进行降序排列,并保存到向量L中,作为图像分割的候选阈值向量;
(5)选取L的第k个元素作为图像分割阈值,设k的初值为1,对x进行分割,获得x的二值化图像bk,计算投影矩阵
(6)利用投影矩阵计算二值图像bk所对应的最优电导率估计gk,并计算残差d(k);
(7)若残差小于预设值τ,停止迭代,选取bk作为x的最优二值图像,否则,设k=k+1,并返回步骤5继续迭代。
本发明中所提出的方法,可以提高电阻抗层析成像的图像对比度,能够明显改善电阻抗层析成像中图像边界伪影较多,边界不清晰的问题。
附图说明
图1为所发明电阻抗层析成像图像分割方法流程图;
图2为发明中所涉及电阻抗层析成像传感器示意图;
图3为所发明电阻抗层析成像图像分割方法的仿真结果;
图4为所发明电阻抗层析成像图像分割方法的实验结果。
具体实施方式
下面以气液两相流中泡状流作为测试对象为例,介绍所提出的电阻抗层析成像图像分割方法的具体实施方案。方案中传感器直径为100mm,16个电极均匀分布在传感器周围,被测场域内电导率分布离散化表征为812个像素点的电导率分布图像,该实施案例的具体实现流程图见图1所示,主要包含以下几个步骤:
(1)针对泡状流的三个典型模型,分别获取各自重建所需的边界测量值:
边界测量值是将被测对象置于电阻抗层析成像测量系统中,被测场域外均匀分布16个电极(如图2所示),采用电流激励电压测量且激励电极不测量的模式,采集循环激励循环测量下的边界电压,共获得208个测量值,用向量p来表示(p为不含内含物的空场边界电压p1和含有内含物的目标场边界测量电压p2之差);
(2)基于互易定理,计算空场下的灵敏度矩阵:
其中,Jij是第i个测量值关于第j个像素点上电导率变化的灵敏度系数,φi和φj分别为电流激励Ii和Ij时的场域电势分布;
(3)采用吉洪诺夫正则化方法获得电阻抗层析成像重建图像x:
x=(JTJ+λI)-1JTp
上式中,λ是正则化参数,一般采用经验法选取,这里选为0.001;
(4)将图像x的像素值进行降序排列,并保存到向量L中,作为图像分割的候选阈值向量;
(5)选取L的第k个元素作为图像分割阈值,设k的初值为1,对x进行分割,获得x的二值化图像bk,计算投影矩阵
(6)采用牛顿一步误差重建算法计算二值图像bk所对应的最优电导率估计gk=(MTM+α·diag(diag(MTM)))-1MTp,α为阻尼参数,依据经验选取,这里选为0.0001,并计算残差d(k)=||Mgk-p||2;
(7)若残差小于预设值τ,停止迭代,选取bk作为x的最优二值图像,否则,设k=k+1,并返回步骤5继续迭代。
实施结果:对上述方案进行仿真和实验测试。仿真测试中,四种典型的泡状流的流动型态作为测试目标,实施效果如图3所示,图中低电导率区域用红色表示,高电导率区域用蓝色表示,测试中对比了真实电导率图像、吉洪诺夫正则化重建图像,以及所提出的基于残差最小的分割图像。可以看出,分割后图像中目标物具有较清晰的边界,图像对比度明显高于吉洪诺夫正则化重建图像。实验测试为静态测试,将四组不同数目的尼龙棒置于水中模拟上述四种典型的泡状流分布,实验结果见图4所示。与吉洪诺夫正则化重建图像相比,所提出的方法对于实际测试对象同样能获得对比度高,边界更清晰的目标物分布图像。
Claims (1)
1.一种基于残差最小的电阻抗层析成像图像分割方法,该方法将电阻抗层析成像获得的电阻抗分布值降序排列用作阈值候选向量,通过顺序选取阈值向量中的阈值进行图像二值化分割,计算分割图像边界正向电压与测量电压的残差,若残差小于预设值,选取最小残差所对应的分割图像作为最优阈值分割图像,步骤如下:
(1)将被测对象置于电阻抗层析成像测量系统中,对电极实施激励,获取电极的边界测量值p;
(2)将被测场域内电阻抗分布离散化表征为n个像素点的电阻抗分布图像,并计算边界测量值p关于成像区域内离散分布的电阻抗值的灵敏度矩阵J;
(3)利用某种图像重建算法获取电阻抗层析成像重建图像x;
(4)将图像x的像素值进行降序排列,并保存到向量L中,作为图像分割的候选阈值向量;
(5)选取L的第k个元素作为图像分割阈值,设k的初值为1,对x进行分割,获得x的二值化图像bk,计算投影矩阵
(6)利用投影矩阵计算二值图像bk所对应的最优电导率估计gk,并计算残差d(k);
(7)若残差小于预设值τ,停止迭代,选取bk作为x的最优二值图像,否则,设k=k+1,并返回步骤5继续迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810433712.0A CN108830875B (zh) | 2018-05-08 | 2018-05-08 | 一种基于残差最小的电阻抗层析成像图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810433712.0A CN108830875B (zh) | 2018-05-08 | 2018-05-08 | 一种基于残差最小的电阻抗层析成像图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830875A true CN108830875A (zh) | 2018-11-16 |
CN108830875B CN108830875B (zh) | 2021-04-27 |
Family
ID=64148598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810433712.0A Active CN108830875B (zh) | 2018-05-08 | 2018-05-08 | 一种基于残差最小的电阻抗层析成像图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830875B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110470743A (zh) * | 2019-08-23 | 2019-11-19 | 天津大学 | 电学/超声信息融合的双模态层析成像方法 |
CN111938641A (zh) * | 2020-08-14 | 2020-11-17 | 河北工业大学 | 一种优化自适应扩展卡尔曼滤波生物电阻抗成像方法 |
CN113012250A (zh) * | 2021-03-04 | 2021-06-22 | 施成成 | 一种提高肺部成像质量的图像重建方法 |
CN113223107A (zh) * | 2021-05-20 | 2021-08-06 | 华北电力大学(保定) | 一种气液两相流的电阻层析成像方法、装置及终端设备 |
CN113902757A (zh) * | 2021-10-09 | 2022-01-07 | 天津大学 | 基于自注意力机制和卷积神经网络混合模型的血管分割方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101564294A (zh) * | 2009-06-01 | 2009-10-28 | 中国人民解放军第四军医大学 | 一种结构信息融合的电阻抗断层成像方法 |
CN101984462A (zh) * | 2010-09-08 | 2011-03-09 | 天津科技大学 | 电阻抗断层功能图像与解剖图像的合成方法 |
CN102961137A (zh) * | 2012-11-29 | 2013-03-13 | 中国人民解放军第四军医大学 | 一种基于分层重构的脑部电阻抗断层成像方法 |
CN103340625A (zh) * | 2013-06-18 | 2013-10-09 | 中国人民解放军第四军医大学 | 一种电阻抗断层成像中快速最优的正则化方法 |
CN104535294A (zh) * | 2015-01-16 | 2015-04-22 | 天津大学 | 一种基于二阶微分的修正l曲线电学层析成像重建方法 |
CN106530367A (zh) * | 2016-09-29 | 2017-03-22 | 天津大学 | 一种基于Firm阈值迭代的电学层析成像稀疏重建方法 |
CN106859600A (zh) * | 2017-02-24 | 2017-06-20 | 天津大学 | 基于建立标准值的声电成像方法 |
CN107369187A (zh) * | 2017-06-20 | 2017-11-21 | 天津大学 | 基于邻点变差和的电学层析成像正则化重建方法 |
CN107424158A (zh) * | 2017-08-14 | 2017-12-01 | 清华大学深圳研究生院 | 一种电容层析成像的图像二值化方法和设备 |
CN107833188A (zh) * | 2017-10-30 | 2018-03-23 | 辽宁工程技术大学 | 一种自适应稀疏型子空间追踪层析成像重构的方法 |
CN107845119A (zh) * | 2017-09-15 | 2018-03-27 | 南京航空航天大学 | 一种电学层析成像混合方法 |
-
2018
- 2018-05-08 CN CN201810433712.0A patent/CN108830875B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101564294A (zh) * | 2009-06-01 | 2009-10-28 | 中国人民解放军第四军医大学 | 一种结构信息融合的电阻抗断层成像方法 |
CN101984462A (zh) * | 2010-09-08 | 2011-03-09 | 天津科技大学 | 电阻抗断层功能图像与解剖图像的合成方法 |
CN102961137A (zh) * | 2012-11-29 | 2013-03-13 | 中国人民解放军第四军医大学 | 一种基于分层重构的脑部电阻抗断层成像方法 |
CN103340625A (zh) * | 2013-06-18 | 2013-10-09 | 中国人民解放军第四军医大学 | 一种电阻抗断层成像中快速最优的正则化方法 |
CN104535294A (zh) * | 2015-01-16 | 2015-04-22 | 天津大学 | 一种基于二阶微分的修正l曲线电学层析成像重建方法 |
CN106530367A (zh) * | 2016-09-29 | 2017-03-22 | 天津大学 | 一种基于Firm阈值迭代的电学层析成像稀疏重建方法 |
CN106859600A (zh) * | 2017-02-24 | 2017-06-20 | 天津大学 | 基于建立标准值的声电成像方法 |
CN107369187A (zh) * | 2017-06-20 | 2017-11-21 | 天津大学 | 基于邻点变差和的电学层析成像正则化重建方法 |
CN107424158A (zh) * | 2017-08-14 | 2017-12-01 | 清华大学深圳研究生院 | 一种电容层析成像的图像二值化方法和设备 |
CN107845119A (zh) * | 2017-09-15 | 2018-03-27 | 南京航空航天大学 | 一种电学层析成像混合方法 |
CN107833188A (zh) * | 2017-10-30 | 2018-03-23 | 辽宁工程技术大学 | 一种自适应稀疏型子空间追踪层析成像重构的方法 |
Non-Patent Citations (8)
Title |
---|
ANDREAS HAUPTMANN等: "A DATA-DRIVEN EDGE-PRESERVING D-BAR METHOD FOR ELECTRICAL IMPEDANCE TOMOGRAPHY", 《ARXIV:1312.5523V2 [MATH.NA] 》 * |
GUANGHUI LIANG等: "An Adaptive Local Weighted Image Reconstruction Algorithm for EIT/UTT Dual-Modality Imaging", 《2017 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT》 * |
GUANGHUI LIANG等: "An EIT Image Segmentation Method Based on Projection Distance Minimization", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGING SYSTEMS AND TECHNIQUES 》 * |
HARKI TANAKA等: "Fuzzy Modeling of Electrical Impedance Tomography Image of the Lungs", 《ARXIV:0710.3185V1 [CS.AI]》 * |
V.SOBOTA等: "Center of Ventilation—Methods of Calculation using Electrical Impedance Tomography and the Influence of Image Segmentation", 《XIV MEDITERRANEAN CONFERENCE》 * |
任尚杰: "电学层析成像形状重建方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
刘金全等: "基于广义极小残差的超声层析成像算法", 《声学技术》 * |
罗文歆等: "改进模型的层析成像算法", 《物探与化探》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110470743A (zh) * | 2019-08-23 | 2019-11-19 | 天津大学 | 电学/超声信息融合的双模态层析成像方法 |
CN111938641A (zh) * | 2020-08-14 | 2020-11-17 | 河北工业大学 | 一种优化自适应扩展卡尔曼滤波生物电阻抗成像方法 |
CN111938641B (zh) * | 2020-08-14 | 2023-08-08 | 河北工业大学 | 一种优化自适应扩展卡尔曼滤波生物电阻抗成像方法 |
CN113012250A (zh) * | 2021-03-04 | 2021-06-22 | 施成成 | 一种提高肺部成像质量的图像重建方法 |
CN113012250B (zh) * | 2021-03-04 | 2022-08-26 | 贵州润源医信智能有限公司 | 一种提高肺部成像质量的图像重建方法 |
CN113223107A (zh) * | 2021-05-20 | 2021-08-06 | 华北电力大学(保定) | 一种气液两相流的电阻层析成像方法、装置及终端设备 |
CN113902757A (zh) * | 2021-10-09 | 2022-01-07 | 天津大学 | 基于自注意力机制和卷积神经网络混合模型的血管分割方法 |
CN113902757B (zh) * | 2021-10-09 | 2022-09-02 | 天津大学 | 基于自注意力机制和卷积神经网络混合模型的血管分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108830875B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830875A (zh) | 一种基于残差最小的电阻抗层析成像图像分割方法 | |
CN109598768B (zh) | 基于卷积神经网络的电学层析成像图像重建方法 | |
Yang et al. | Cupping artifact correction and automated classification for high‐resolution dedicated breast CT images | |
CN109674471A (zh) | 一种基于生成对抗网络的电阻抗成像方法及系统 | |
Jaspers et al. | Improving the reproducibility of MR-derived left ventricular volume and function measurements with a semi-automatic threshold-based segmentation algorithm | |
Carpio et al. | Hybrid topological derivative and gradient-based methods for electrical impedance tomography | |
CN109584323A (zh) | 超声反射信息约束的腹部病变电阻抗图像重建方法 | |
CN104321011A (zh) | 用于断层摄影成像的方法和系统 | |
Chen et al. | Hybrid learning-based cell aggregate imaging with miniature electrical impedance tomography | |
CN101794453B (zh) | 基于回归分析的节点映射图像重构方法 | |
CN102688041B (zh) | 基于电极采用交错位方式排列的三维电阻抗断层成像方法 | |
CN109919844A (zh) | 一种高分辨率的电学层析成像电导率分布重建方法 | |
CN110720915A (zh) | 一种基于gan的脑部电阻抗断层成像方法 | |
Yue et al. | Fuzzy clustering based ET image fusion | |
Wang et al. | Error-constraint deep learning scheme for electrical impedance tomography (EIT) | |
Shen et al. | Rapid reconstruction of highly undersampled, non‐Cartesian real‐time cine k‐space data using a perceptual complex neural network (PCNN) | |
CN111616708A (zh) | 一种精准识别脑卒中颅内病变区域的图像重建方法 | |
CN114270397A (zh) | 使用电特性断层成像确定流体和组织体积估计的系统和方法 | |
CN110910466A (zh) | 一种新型多频差分电阻抗层析成像重建算法 | |
Kantartzis et al. | Stimulation and measurement patterns versus prior information for fast 3D EIT: A breast screening case study | |
Liang et al. | Coplanar electrical/ultrasonic dual-modality tomography for water continuous gas/oil/water three-phase distribution imaging | |
CN110208605A (zh) | 一种抑制阶梯效应的电阻层析成像电导率分布重建的方法 | |
Xu et al. | A new regularization algorithm based on the neighborhood method for electrical impedance tomography | |
CN108254418A (zh) | 电容与超声层析成像多模态融合的三维变分方法 | |
Li et al. | Imaging of a distinctive large bubble in gas–water flow based on a size projection algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |