UNet model in image reconstruction for electrical impedance tomography

• Autorzy: Maciura Łukasz , Wójcik Dariusz , Rosa Wojciech , Rymarczyk Tomasz , Maj Michał

Identyfikatory

DOI

10.15199/48.2022.04.26

Warianty tytułu

PL

Model UNet w rekonstrukcji obrazu do elektrycznej tomografii impedancyjnej

• Języki publikacji: EN

Abstrakty

EN

This paper presents a new algorithm where the UNet convolutional neural network was used to correct deterministic algorithm results, as was is another similar solution using the DBar deterministic algorithm. Instead of the DBar algorithm, another EIT reconstruction algorithm was used in the context cooperation with impedance tomography to extract details in EIT reconstruction. The algorithm uses machine learning to improve the tomographic images obtained with the deterministic algorithm. The final result contains much less noise, and the position of the objects is much better defined, unlike in the deterministic approach. Furthermore, the paper shows how the reconstruction obtained with the hybrid tomograph can be improved to show more details. This paper aims to present a solution that will be used in the context of medical tomography, where the EIT system and the developed algorithm will be used to obtain high-resolution tomography images of the bladder.

PL

Ten artykuł prezentuje nowy algorytm, gdzie sieć konwolucyjna UNet była użyta do korekcji wyników algorytmu deterministycznego jak było w podobnym rozwiązaniu używającym deterministyczny algorytm DBar. Zamiast algorytmu DBar inny algorytm rekonstrukcji EIT został użyty w kontekscie współpracy z tomografią impedancyjną w celu wyodrębnienia szczegółów rekonstrukcji EIT. Algorytm używa uczenie maszynowe do polepszenia obrazów tomograficznych uzyskanych za pomocą algorytmu deterministycznego. Artykuł pokazuje jak rekonstrukcja uzyskana za pomocą tomografu hybrydowego może być ulepszona by ukazywałą więcej szczegółów. Celem tego artykułu jest zaprezentowanie rozwiązania, które będzie użyte w kontekscie tomografii medycznej, gdzie system EIT wraz z którym opracowany algorytm będzie użyty w celu uzyskania wysokiej rozdzielczości obrazów tomograficznych pęcherza moczowego.

Słowa kluczowe

EN

EIT reconstruction; UNet; deep learning; convolutional neural network

PL

rekonstrukcja EIT; UNet; uczenie głębokie; sieć konwolucyjna

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 4
• Strony: 123--126
• Opis fizyczny: Bibliogr. 25 poz., rys.

Twórcy

autor

Maciura Łukasz

• Netrix S.A., Research & Development Centre, Lublin, Poland

• https://orcid.org/0000-0001-8657-347

autor

Wójcik Dariusz

• Netrix S.A., Research & Development Centre, Lublin, Poland

• https://orcid.org/0000-0002-4200-3432

autor

Rosa Wojciech

• Lublin University of Technology, Lublin, Poland

• https://orcid.org/0000-0002-7051-6008

autor

Rymarczyk Tomasz

• Netrix S.A., Research & Development Centre, Lublin, Poland
• University of Economics and Innovation in Lublin, Poland

• https://orcid.org/0000-0002-3524-9151

autor

Maj Michał

• Netrix S.A., Research & Development Centre, Lublin, Poland
• University of Economics and Innovation in Lublin, Poland

• https://orcid.org/0000-0002-7604-8559

Bibliografia

• [1] Kozłowski E., Rymarczyk T., Kłosowski G., Cieplak T., Logistic regression in image reconstruction in electrical impedance tomography, Przegląd Elektrotechniczny, 96 (2020), No. 5, 95-98
• [2] Kłosowski G., Rymarczyk T., Tchórzewski P., Bednarczuk P, Kowalski M., - Neural hybrid tomograph for monitoring industrial reactors, Przegląd Elektrotechniczny, 96 (2020), No. 12, 190-193
• [3] Hamilton S. J. Hauptmann, A., Deep D-bar: Real time Electrical Impedance Tomography Imaging with Deep Neural Networks, IEEE Trans. Med. Imaging, 37 (2018), No. 10, 2367 - 2377
• [4] Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T., Maintenance of industrial reactors supported by deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability, 22 (2020), No. 1, 138–147
• [5] Malone E., Sato dos Santos G., Holder D., Arridge S., A Reconstruction-Classification Method for Multifrequency Electrical Impedance Tomography, IEEE Transactions on Medical Imaging, 34 (2015), No.7, 1486-1497
• [6] Khan T. A., Ling S.H., Review on Electrical Impedance Tomography: Artificial Intelligence Methods and its Applications, Algorithms, 12 (2019), No. 5, 1-18
• [7] Seo J. K. et. al., Learning-Based Method for Solving Ill-Posed Nonlinear Inverse Problems: A Simulation Study of Lung EIT, SIAM Journal on Imaging Sciences, 12 (2019), No. 3, 1275-1295
• [8] Fan Y., Ying L., Solving electrical impedance tomography with deep learning, Journal of Computational Physics, 404 (2020), 109119
• [9] Fernandez - Fuentes X., Mera D., Gomez A., Vidal-Franco I.,Towards a Fast and Accurate EIT Inverse Problem Solver: A Machine Learning Approach, Electronics, 7 (2018), No. 12, 422
• [10] Li X., Lu Y., Wang J., Dang X., Wang Q., Duan X., and Sun Y, An image reconstruction framework based on deep neural network for electrical impedance tomography, In Proceedings of the IEEE International Conference on Image Processing, Beijing, China, 17–20 September 2017
• [11] Li X. et. al., A novel deep neural network method for electrical impedance tomography, Transactions of the Institute of Measurement and Control, 41 (2019), No. 14, 4035–4049
• [12] Hamilton S. J., Mueller J. L., Santos T. R., Robust computation in 2D absolute EIT (a-EIT) using D-bar methods with the' exp' approximation, Physiological Measurement, 39 (2018), No. 6, 1-17
• [13] Ronneberger O., Fischer P., Brox T., U-Net: Convolutional Networks for Biomedical Image Segmentation, Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. 234-241
• [14] Adler A., Dai T., Lionheart W., Temporal Image Reconstruction in Electrical Impedance Tomography, Physiological Measurement, 28 (2007), No. 7, 1-11
• [15] Aziz Taha A., Hanbury A., Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool, BMC Medical Imaging, 15 (2015), No. 29, 1-28
• [16] Kłosowski G., Rymarczyk T., Niderla K., Rzemieniak M., Dmowski A., Maj M., Comparison of Machine Learning Methods for Image Reconstruction Using the LSTM Classifier in Industrial Electrical Tomography, Energies, 14 (2021), No. 21, 7269
• [17] Kłosowski G., Rymarczyk T., Cieplak T., Niderla K., Skowron Ł., Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography, Sensors, 20(2020) No.11, 3324
• [18] Łukiański, M., Wajman, R., The diagnostic of two-phase separation process using digital image segmentation algorithms, Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 10 (2020), No. 3, 5-8.
• [19] Duraj, A.; Korzeniewska, E.; Krawczyk, A. Classification algorithms to identify changes in resistance. Przegląd Elektrotechniczny, 91 (2015), No.12, 82–84.
• [20] Krawczyk A.; Korzeniewska E., Magnetophosphenes–history and contemporary implications. Przegląd Elektrotechniczny , 94 (2018), No.1, 61–64
• [21] Mosorov V. Rybak G. Sankowski D., Plug Regime Flow Velocity Measurement Problem Based on Correlability Notion and Twin Plane Electrical Capacitance Tomography: Use Case, Sensors, 21 (2021), No.6, 2189 DOI: 10.3390/s21062189
• [22] Rymarczyk T., Characterization of the shape of unknown objects by inverse numerical methods, Przeglad Elektrotechniczny, 88 (2012), No.7B, 138-140
• [10] Rymarczyk T, Using electrical impedance tomography to monitoring flood banks 16th International Symposium on Applied Electromagnetics and Mechanics (ISEM), International journal of applied electromagnetics and mechanics, 45 (2014), 489-494
• [11] Filipowicz SF, Rymarczyk T., The Shape Reconstruction of Unknown Objects for Inverse Problems, Przeglad Elektrotechniczny, 88 (2012), No.3A, 55-57
• [12] Koulountzios P., Rymarczyk T., Soleimani M., A quantitative ultrasonic travel-time tomography system for investigation of liquid compounds elaborations in industrial processes, Sensors, 19 (2019), No. 23, 5117

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).