NOVEL HYBRID ALGORITHM USING CONVOLUTIONAL AUTOENCODER WITH SVM FOR ELECTRICAL IMPEDANCE TOMOGRAPHY AND ULTRASOUND COMPUTED TOMOGRAPHY

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 wycięty z autoenkodera może zrekonstruować daną scenę

Słowa kluczowe:

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

Bibliografia

Aziz Taha A., Hanbury A.: Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. BMC Medical Imaging 15(29), 2015, 1–28. DOI: https://doi.org/10.1186/s12880-015-0068-x

Chen B. et al.: Extended Joint Sparsity Reconstruction for Spatial and Temporal ERT Imaging. Sensors 18, 2018, 4014. DOI: https://doi.org/10.3390/s18114014

Chen P. H. et al.: A tutorial on ν-support vector machines. Applied Stochastic Models in Business and Industry 21, 2005, 111–136. DOI: https://doi.org/10.1002/asmb.537

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. DOI: https://doi.org/10.3390/electronics10091058

Duraj A., Korzeniewska E., Krawczyk A.: Classification algorithms to identify changes in resistance. Przegląd Elektrotechniczny 91(12), 2015, 82–84. DOI: https://doi.org/10.15199/48.2015.12.19

Dusek J., Mikulka J.: Measurement-Based Domain Parameter Optimization in Electrical Impedance Tomography Imaging. Sensors 21, 2021, 2507. DOI: https://doi.org/10.3390/s21072507

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]. DOI: https://doi.org/10.1117/12.2580911

Fan Y., Ying L.: Solving electrical impedance tomography with deep learning. Journal of Computational Physics 404, 2020, 109119. DOI: https://doi.org/10.1016/j.jcp.2019.109119

Fernandez-Fuentes X. et al.: Towards a Fast and Accurate EIT Inverse Problem Solver: A Machine Learning Approach. Electronics 7(12), 2018, 422. DOI: https://doi.org/10.3390/electronics7120422

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. DOI: https://doi.org/10.1109/TMI.2018.2828303

Józefczak A. et al.: Ultrasound transmission tomography-guided heating with nanoparticles. Measurement 197, 2022, [http://doi.org/10.1016/j.measurement.2022.111345]. DOI: https://doi.org/10.1016/j.measurement.2022.111345

Kania K. et al.: Image reconstruction in ultrasound transmission tomography using the Fermat's Principle. Przegląd Elektrotechniczny 96(1), 2020, 186–189. DOI: https://doi.org/10.15199/48.2020.01.41

Khan T. A., Ling S.H.: Review on Electrical Impedance Tomography: Artificial Intelligence Methods and its Applications. Algorithms 12(5), 2019, 1–18. DOI: https://doi.org/10.3390/a12050088

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. DOI: https://doi.org/10.3390/en14217269

Kłosowski G. et al.: Maintenance of industrial reactors supported by deep learning driven ultrasound tomography. Przegląd Elektrotechniczny 98(4), 2022, 138–147. DOI: https://doi.org/10.17531/ein.2020.1.16

Kłosowski G. et al.: Neural hybrid tomograph for monitoring industrial reactors, Przegląd Elektrotechniczny 96(12), 2020, 190–193. DOI: https://doi.org/10.15199/48.2020.12.40

Kłosowski G. et al.: Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography. Sensors 20(11), 2020, 3324. DOI: https://doi.org/10.3390/s20113324

Kozłowski E. et al.: Logistic regression in image reconstruction in electrical impedance tomography, Przegląd Elektrotechniczny 96(5), 2020, 95–98. DOI: https://doi.org/10.15199/48.2020.05.19

Krawczyk A., Korzeniewska E.: Magnetophosphenes–history and contemporary implications. Przegląd Elektrotechniczny 94(1), 2018, 61–64. DOI: https://doi.org/10.15199/48.2018.12.52

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. DOI: https://doi.org/10.1109/ICIP.2017.8296950

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. DOI: https://doi.org/10.1177/0142331219845037

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. DOI: https://doi.org/10.35784/iapgos.1544

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]. DOI: https://doi.org/10.3390/s21062189

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. DOI: https://doi.org/10.1137/18M1222600

Szczesny A., Korzeniewska E.: Selection of the method for the earthing resistance measurement. Przegląd Elektrotechniczny 94, 2018, 178–181.

Yu H., Kim S.: SVM Tutorial: Classification, Regression, and Ranking. Handbook of Natural computing, 2012. DOI: https://doi.org/10.1007/978-3-540-92910-9_15

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]. DOI: https://doi.org/10.1088/1361-6560/abb5c3

Maciura, Ł., Wójcik, D., Rymarczyk, T., & Król, K. (2023). NOWY ALGORYTM HYBRYDOWY WYKORZYSTUJĄCY AUTOENKODER KONWOLUCYJNY Z SVM DLA ELEKTRYCZNEJ TOMOGRTAFII IMPEDANCYJNEJ I TOMOGRAFII ULTRADŹWIĘKOWEJ. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 13(2), 4-9. https://doi.org/10.35784/iapgos.3377

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 2 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja