Beneficial techniques for spatio-temporal imaging in electrical impedance tomography
Notice bibliographique
Résumé
OBJECTIVE: Electrical impedance tomography (EIT) typically reconstructs individual images from electrical voltage measurements at pairs of electrodes due to current driven through other electrode pairs on a body. EIT images have low spatial resolution, but excellent temporal resolution. There are four methods for integrating temporal data into an EIT reconstruction: filtering over measurements, filtering over images, combined spatial and temporal (spatio-temporal) regularization, and Kalman filtering. These spatio-temporal methods have not been directly compared, making it difficult to evaluate relative performance and choose an appropriate method for particular use cases. APPROACH: We (i) develop a common framework, (ii) develop comparison metrics, (iii) perform simulation and tank studies which directly compare algorithms, and (iv) report on relative advantages of the different algorithms. MAIN RESULTS: Temporal filtering is well understood, but often not considered as part of the imaging process despite a direct impact on image reconstruction quality. Spatio-temporal regularized techniques are not yet efficient but offer tantalizing advantages. Kalman filtering enables adaptive filtering for time-varying measurement/image noise at the cost of often over-regularized (sub-optimal) images which can now be understood in the same framework as the other techniques. Further research into efficient implementations of Gauss-Newton spatio-temporal regularization will allow temporal and spatial covariance to be explicitly defined for longer time series (n > 10 frames) where temporal regularization can be more effective. For the immediate analysis of temporally varying images, we recommend the use of adaptive (time-varying) temporal filtering of measurements followed by adaptive spatial regularization (hyperparameter selection) as the most computationally efficient and effective approach currently available. SIGNIFICANCE: The analysis of variation within regions of an EIT image to extract physiological measures (functional imaging), has become an important EIT technique where temporal and spatial aspects of analysis are tightly integrated. This work gives guidance on available methods and suggests directions for future research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».