A Primal Dual Interior Point Framework for EIT Reconstruction with Automatic Regularization
Notice bibliographique
Résumé
The spatial resolution of the reconstructed images in Electrical impedance tomography (EIT) is low and a priori information regarding smooth conductivity changes limits reconstruction of sharp images while it is preferred in order to differentiate tissue boundaries in medical imaging. Measurement errors are another barrier that hinder a good image reconstruction. Generally ℓ2 norms have been used due to computational convenience both for data and regularization terms which result in smooth solutions. However, the recent developments in optimization problem the Primal Dual-Interior Point Method (PDIPM) showed its effectiveness in dealing with the minimization problem. ℓ1 norms on data and regularization terms in EIT image reconstruction address both problems of reconstruction with sharp edges and dealing with the electrode errors. We demonstrated general formulation of the Primal-Dual Interior Point framework for EIT image reconstruction. We systematically evaluated the PDIPM algorithms with ℓ1 and ℓ2 norm based minimization in EIT inverse problems with automatic regularization based on a balancing principle. The performance of algorithms was evaluated in 4 scenarios in simulation. Finally we demonstrated its applicability for medical EIT through results from dog breathing experiments. The results show that the ℓ1 minimization for EIT image reconstruction produced sharp edge and proved to be robust against measurement errors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».