A comparative study of selected machine learning algorithms for electrical impedance tomography

• Autorzy: Dziadosz Marcin , Mazurek Mariusz , Stefaniak Barbara , Wójcik Dariusz , Gauda Konrad

Identyfikatory

DOI

10.15199/48.2024.04.47

Warianty tytułu

PL

Badanie porównawcze wybranych algorytmów uczenia maszynowego w elektrycznej tomografii impedancyjnej

• Języki publikacji: EN

Abstrakty

EN

The main purpose of the article is to compare selected machine learning methods in Electrical Impedance Tomography. The paper studies the relationship between a number of training cases and Root Mean Squared Error loss in the EIT image reconstruction problem. The research was conducted with the Elastic Net, Least Angle Regression and Artificial Neural Network algorithms in R environment. Various tests have been performed, leading to many results and a discussion about a plateau in the model training plot.

PL

Głównym celem artykułu jest porównanie wybranych metod uczenia maszynowego w tomografii impedancyjnej. Artykuł bada związek między liczbą przypadków treningowych a utratą RMSE w problemie rekonstrukcji obrazu EIT. Badania przeprowadzono z wykorzystaniem algorytmów Elastic Net, Least Angle Regression oraz Artificial Neural Network w środowisku R. Przeprowadzono różne testy, które doprowadziły do wielu wyników i dyskusji na temat plateau na wykresie treningowym modelu.

Słowa kluczowe

EN

electrical impedance tomography; machine learning; inverse problem; image reconstruction

PL

tomografia elektryczna impedancyjna; uczenie maszynowe; problem odwrotny; rekonstrukcja obrazu

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 4
• Strony: 237--240
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Dziadosz Marcin

• Lublin University of Technology, Nadbystrzycka 38, Lublin, Poland

• https://orcid.org/0000-0002-0506-6653

autor

Mazurek Mariusz

• nstitute of Philosophy and Sociology of the Polish Academy of Science Warsaw, Poland

• https://orcid.org/0000-0002-9646-689

autor

Stefaniak Barbara

• Research and Development Centre Netrix S.A

• https://orcid.org/0000-0001-6555-8230

autor

Wójcik Dariusz

• Research and Development Centre Netrix S.A
• WSEI University, Projektowa 4, Lublin, Poland/ Research & Development Centre Netrix S.A

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

autor

Gauda Konrad

• WSEI University, Projektowa 4, Lublin, Poland/ Research & Development Centre Netrix S.A

• https://orcid.org/0000-0002-7300-6978

Bibliografia

• [1] Fan, Y., & Ying, L., Solving electrical impedance tomography with deep learning. Journal of Computational Physics, 404 (2020), 109119.
• [2] Khan, T. A., & Ling, S. H., Review on electrical impedance tomography: Artificial intelligence methods and its applications. Algorithms, 12 (2019), No.5, 88.
• [3] 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.
• [4] Kania, W., Wajman, R., Ckript: a new scripting language for web applications, Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12(2022), No. 2, 4-9.
• [5] Styła, M., Adamkiewicz, P., Hybrid navigation system for indoor use. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12 (2022), No. 1, 10-14.
• [6] Koulountzios P., Rymarczyk T., Soleimani M., A triple-modality ultrasound computed tomography based on full-waveform data for industrial processes, IEEE Sensors Journal, 21 (2021), No. 18, 20896-20909.
• [7] Koulountzios P., Aghajanian S., Rymarczyk T., Koiranen T., Soleimani M., An Ultrasound Tomography Method for Monitoring CO2 Capture Process Involving Stirring and CaCO3 Precipitation, Sensors, 21 (2021), No. 21, 6995.
• [8] Sikora R., Markiewicz P., Korzeniewska E., Using identification method to modelling short term luminous flux depreciation of LED luminaire to reducing electricity consumption, Scientific Reportst, 13 (2023), No. 1, 673.
• [9] Lebioda, M., Korzeniewska, E., The Influence of Buffer Layer Type on the Electrical Properties of Metallic Layers Deposited on Composite Textile Substrates in the PVD Process, Materials, 16 (2023), No. 13, 4856.
• [10] Rymarczyk T., Kozłowski E., Kłosowski G., Electrical impedance tomography in 3D flood embankments testing – elastic net approach, Transactions of the Institute of Measurement and Control, 42 (2020), No. 4, 680-690.
• [11] 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 2021, 14 (2021), No. 21, 7269.
• [12] Rymarczyk T., Kłosowski G., Hoła A., Sikora J., Tchórzewski P., Skowron Ł., Optimising the Use of Machine Learning Algorithms in Electrical Tomography of Building Walls: Pixel Oriented Ensemble Approach, Measurement, 188 (2022), 110581.
• [13] Kłosowski G, Rymarczyk T, Niderla K, Kulisz M, Skowron Ł, Soleimani M., Using an LSTM network to monitor industrial reactors using electrical capacitance and impedance tomography – a hybrid approach. Eksploatacja i Niezawodnosc – Maintenance and Reliability, 25 (2023), No. 1.
• [14] Fernandez - Fuentes, X., Mera, D., & Gomez, A., Vidal-Franco Towards a Fast and Accurate EIT Inverse Problem Solver: A Machine Learning Approach., Electronics, 7 (2018), No.12, 422.
• [15] González, G., Huttunen, J. M. J., Kolehmainen, V., Seppänen, A., & Vauhkonen, M., Experimental evaluation of 3D electrical impedance tomography with total variation prior. Inverse Problems in Science and Engineering, 24 (2016), No.8, 1411–1431.
• [16] Li, X., Lu, Y., Wang, J., Dang, X., Wang, Q., & Duan, X., Sun Y., An image reconstruction framework based on deep neural network for electrical impedance tomography, (2017), 3585–3589.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).