Novel hybrid algorithm using convolutional autoencoder with SVM for electrical impedance tomography and ultrasound computed tomography

• Autorzy: Maciura Łukasz , Wójcik Dariusz , Rymarczyk Tomasz , Król Krzysztof

Identyfikatory

DOI

10.35784/iapgos.3377

Warianty tytułu

PL

Nowy algorytm hybrydowy wykorzystujący autoenkoder konwolucyjny z SVM dla elektrycznej tomografii impedancyjnej i tomografii ultradźwiękowej

• Języki publikacji: EN

Abstrakty

EN

This paper presents a new hybrid algorithm using multiple support vector machines models with a convolutional autoencoder forelectrical impedance tomography, and ultrasound computed tomography image reconstruction. The ultimate hybrid solution uses multiple SVM models to convert input measurements to individual autoencoder codes representing a given scene then the decoder part of the autoencoder can reconstruct the scene.

PL

Artykuł przedstawia nowy hybrydowy algorytm który używa modeli maszyn wektorów nośnych wraz z autoenkoderem konwolucyjnym do rekonstrukcji obrazu z elektrycznej tomografii impedancyjnej oraz ultrasonograficznej tomografii transmisyjnej. Ostateczne rozwiązanie hybrydowe używa wielu modeli SVM do konwersji pomiarów wejściowych do pojedynczych kodów autoenkodera reprezentujących daną scenę a wtedy dekoder wyciętyz autoenkodera może zrekonstruować daną scenę.

Słowa kluczowe

EN

convolutional autoencoder; SVM; electrical impedance tomography; ultrasound transmission tomography

PL

autoencoder konwolucyjny; SVM; elektryczna tomografia impedancyjna; ultradźwiękowa tomografia transmisyjna

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 2
• Strony: 4--9
• Opis fizyczny: Bibliogr. 27 poz., rys., tab., wykr.

Twórcy

autor

Maciura Łukasz

• Research and Development Center, Netrix S.A,. Lublin, Poland

• https://orcid.org/0000-0001-8657-3472

autor

Wójcik Dariusz

• Research and Development Center, Netrix S.A,. Lublin, Poland
• WSEI University, Lublin, Poland

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

autor

Rymarczyk Tomasz

• Research and Development Center, Netrix S.A,. Lublin, Poland
• WSEI University, Lublin, Poland

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

autor

Król Krzysztof

• Research and Development Center, Netrix S.A,. Lublin, Poland
• WSEI University, Lublin, Poland

• https://orcid.org/0000-0002-0114-2794

Bibliografia

• [1] Aziz Taha A., Hanbury A.: Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. BMC Medical Imaging 15(29), 2015, 1–28.
• [2] Chen B. et al.: Extended Joint Sparsity Reconstruction for Spatial and Temporal ERT Imaging. Sensors 18, 2018, 4014.
• [3] Chen P. H. et al.: A tutorial on ν-support vector machines. Applied Stochastic Models in Business and Industry 21, 2005, 111–136.
• [4] Chen Z. et al.: Application of Deep Neural Network to the Reconstruction of Two-Phase Material Imaging by Capacitively Coupled Electrical Resistance Tomography. Electronics 10, 2021, 1058.
• [5] Duraj A., Korzeniewska E., Krawczyk A.: Classification algorithms to identify changes in resistance. Przegląd Elektrotechniczny 91(12), 2015, 82–84.
• [6] Dusek J., Mikulka J.: Measurement-Based Domain Parameter Optimization in Electrical Impedance Tomography Imaging. Sensors 21, 2021, 2507.
• [7] Fan Y. et al.: DDN: dual domain network architecture for non-linear ultrasound transmission tomography reconstruction. Proc. SPIE 11602, 2021, 1160209 [http://doi.org/10.1117/12.2580911].
• [8] Fan Y., Ying L.: Solving electrical impedance tomography with deep learning. Journal of Computational Physics 404, 2020, 109119.
• [9] Fernandez-Fuentes X. et al.: Towards a Fast and Accurate EIT Inverse Problem Solver: A Machine Learning Approach. Electronics 7(12), 2018, 422.
• [10] Hamilton S. J., Hauptmann A.: Deep D – bar: Real time Electrical Impedance Tomography Imaging with Deep Neural Networks. IEEE Trans. Med. Imaging 37(10), 2018, 2367–2377.
• [11] Józefczak A. et al.: Ultrasound transmission tomography-guided heating with nanoparticles. Measurement 197, 2022, [http://doi.org/10.1016/j.measurement.2022.111345].
• [12] Kania K. et al.: Image reconstruction in ultrasound transmission tomography using the Fermat's Principle. Przegląd Elektrotechniczny 96(1), 2020, 186–189.
• [13] Khan T. A., Ling S.H.: Review on Electrical Impedance Tomography: Artificial Intelligence Methods and its Applications. Algorithms 12(5), 2019, 1–18.
• [14] Kłosowski G. et al.: Comparison of Machine Learning Methods for Image Reconstruction Using the LSTM Classifier in Industrial Electrical Tomography. Energies 14(21), 2021, 7269.
• [15] Kłosowski G. et al.: Maintenance of industrial reactors supported by deep learning driven ultrasound tomography. Przegląd Elektrotechniczny 98(4), 2022, 138–147.
• [16] Kłosowski G. et al.: Neural hybrid tomograph for monitoring industrial reactors, Przegląd Elektrotechniczny 96(12), 2020, 190–193.
• [17] Kłosowski G. et al.: Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography. Sensors 20(11), 2020, 3324.
• [18] Kozłowski E. et al.: Logistic regression in image reconstruction in electrical impedance tomography, Przegląd Elektrotechniczny 96(5), 2020, 95–98.
• [19] Krawczyk A., Korzeniewska E.: Magnetophosphenes–history and contemporary implications. Przegląd Elektrotechniczny 94(1), 2018, 61–64.
• [20] Li X. et al.: An image reconstruction framework based on deep neural network for electrical impedance tomography. IEEE International Conference on Image Processing, Beijing, China, 2017.
• [21] Li X. et. al.: A novel deep neural network method for electrical impedance tomography. Transactions of the Institute of Measurement and Control 41(14), 2019, 4035–4049.
• [22] 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(3), 2020, 5–8.
• [23] Mosorov V. et al.: Plug Regime Flow Velocity Measurement Problem Based on Correlability Notion and Twin Plane Electrical Capacitance Tomography: Use Case. Sensors 21(6), 2021, 2189 [http://doi.org/10.3390/s21062189].
• [24] Seo J. K. et al.: A Learning – Based Method for Solving III – Posed Nonlinear Inverse Problems: A Simulation Study of Lung EIT, SIAM. Journal on Imaging Sciences 12(3), 2019.
• [25] Szczesny A., Korzeniewska E.: Selection of the method for the earthing resistance measurement. Przegląd Elektrotechniczny 94, 2018, 178–181.
• [26] Yu H., Kim S.: SVM Tutorial: Classification, Regression, and Ranking. Handbook of Natural computing, 2012.
• [27] Zhao W. et al.: Ultrasound transmission tomography image reconstruction with a fully convolutional neural network. Phys Med Biol. 65(23), 2020, 235021, [http://doi.org/10.1088/1361-6560/abb5c3. PMID: 33245050].

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).