基于IRU-Net的ERT图像重建检测方法.pdf

2023 年第 10 期99计算机应用信息技术与信息化基于 I R U-N e t 的 E R T图像重建检测方法张 鹏1 ZHANG Peng 摘要 针对传统 ERT 图像重建检测方法伪影多、精度差等问题，提出一种基于 U-Net、Inception 与 ResNet 结合的神经网络 IRU-Net。通过 MATLAB 仿真设置不同大小、位置的目标建立训练集，设置不同数量、位置、大小、形状的目标建立测试集，用 IRU-Net 神经网络进行图像重建。成像结果用图像相关系数(ICC)、均方根误差(RMSE)及相对大小覆盖率(RCR)作为评判，在无噪声和有噪声的测试中，各指标相较于传统 U-Net 都有提升。此外通过模拟实验进行识别成像，结果有较高的成像质量。综上所述，应用于 ERT 无损检测的 IRU-Net 网络成像结果准确、具有抗噪性和泛化性，有现实可行性。关键词 无损检测；仿真数据集；深度学习；IRU-Net；图像重建 doi：10.3969/j.issn.1672-9528.2023.10.0211.长江大学电子信息学院 湖北荆州 4340000 引言电阻抗成像1-2（electrical resistance tomography，ERT）是一种新型的电学成像技术，有着非入侵、成像速度快、可视化、响应快、成本低廉等优点。该技术诞生至今，一直是国内外学者的关注热点，并且取得很多进展。仝卫国等人3利用 16 电极 ERT 系统采集对应流型的阵列电阻值,并将其作为 LSTM 神经网络的输入,电磁流量计采集的液相流量值作为理想输出,通过网络训练得到了两种流型下的液相流量测量模型。卜世俊等人4利用多通道生物 ERT 系统识别并定位被测空间中金属棒的位置及轮廓。钱奕恺5利用 ERT 系统对碳纤维复合增强材料进行损伤检测，将 ERT 系统与实际应用相结合，具有工程应用价值。但传统 ERT 系统因非线性、不适定性等性质，导致其逆问题求解是一个严重病态的问题，具有成像伪影多、精度差等问题。本研究旨在保证方法有效性的同时，利用深度学习进一步提高重建图像可靠性。随着深度学习的发展，使用深度学习方法实现 ERT 的相关研究发展迅速。深度学习方法相较于传统算法，可以更准确地重建出高分辨率、伪影少的图像。Hu 等人6通过卷积神经网络（CNN）将经重新排列的正演得到的电压值线性变换到电导率分布中，提高了重建图像的细节表达能力，实现了清晰图像的重建。Hamilton 等人7将 D-bar 算法与 CNN 的后处理相结合，虽然准确识别了肺脏的分布位置和大小，然而抗噪能力一般。吴阳等人8径向基函数神经网络，训练径向基函数神经网络的中心、基宽和连接权值 3 个参数，准确将电压值拟合到电导率的信息中，但成像结果仍有部分伪影。本文提出一种结合 U-Net9和 Inception 与 ResNet 的新网络结构 IRU-Net。该网络基于 U-Net 的图像分割能力，结合Inception 对训练数据的降维操作和增加网络泛化性的功能，通过残差模块解决反向传播中的梯度弥散问题，有效提高了ERT 无损检测的准确性，并具有抗噪性和泛化性。1 相关方法1.1 ERT 系统ERT 是由电极阵列在被测场域内按顺序施加激励信号，测量的边界电压数据进行逆问题求解，重建内部电导率分布情况的过程10。ERT 的工作原理如图 1 所示。图 1 ERT 系统工作原理ERT 正问题的模型可以表达为一个统一的算子方程。()VF=（1）式中：V 为测量电极对的电势差，F 为前向算子，为 ERT敏感场内电导率分布。逆问题求解过程是已知 ERT 敏感场的边界电压测量值，求解场域内电导率的分布。即对公式（1）进行逆向求解。2023 年第 10 期100计算机应用信息技术与信息化 1()FV=（2）1.2 IRU-Net 网络结构一般来说，ERT 系统的成像结果是一个较为简单、结构单一的语义信息，因为所需要的重建算法不需要去筛选和过滤其他无用的信息。对此本文应用了适用于图像分割的U-Net网络结构。U-Net 可以分为三个部分。第一部分是 U-Net 的主干特征提取部分，为卷积和最大池化的堆叠；第二部分是加强特征提取部分，利用主干部分获取到的五个初步有效特征层进行采样，获得最终的有效特征层；第三部分是预测部分，利用最终获得的最后一个有效特征层对每一个特征点进行分类。这种网络模型下，因为特征提取的下采样必然伴随着边缘特征的损失，这些特征是无法从上采样过程找回的。为了解决这个问题，下采样过程与上采样加入 Inception 结构和 ResNet 结构以适用于本文研究的 ERT 电阻抗成像技术。Inception 结构把不同尺度的特征、不同大小的卷积核进行融合。ResNet 结构能够通过保留网络深度来提高准确率，解决了增加深度带来的副作用（退化问题）。本研究所采用的基本方法是利用初步重建得到的场域内电导率信息，通过训练 IRU-Net 网络，生成准确的、没有伪影的 ERT 图像。IRU-Net 网络结构如图 2 所示。图 2 IRU-Net 网络结构2 仿真设计2.1 数据集的设置该模型训练需要大量包含原始电导率和原始重建电导率的训练集，但现实中难以获取。本研究通过 MATLAB 构建数据集。这些数据在背景区域半径为1的圆中，异常体的大小、位置均随机生成。半径的取值为 0.1 0.3 倍的背景区域半径。2.2 网络训练经过初步重构，将近似电导率归一化到 0,1 之间作为网络输入，分辨率为 6464。使用独热编码（One-Hot）的方式解释数据作为神经网络的输入值，原始电导率分布作为深度学习的标签。构建 10 000 组仿真数据，其中 9000 组作为训练集，1000 组作为测试集，训练集和测试集不重样。该网络使用的是 Python 库的 PyTorch 框架实现，具体的网络模型参数如表 1 所示。在 GTX10606G 显卡上进行深度学习。表 1 IRU-Net 网络参数参数名参数值输入层层数4096Epoch50Batch_Size8学习率0.01训练集数目9000测试集数目1000损失函数交叉熵损失激活函数Relu优化器SGD，AdamNum_classes2输出层40962.3 成像评判指标为了比较 ERT 成像图像的重建质量，使用图像相关系数（image correlation coefficient，ICC）指标、相对大小覆盖率（relative size coverage ratio，RCR）、均方根误差（root mean square error，RMSE）进行评价11-13，具体定义公式为：（3）（4）（5）式中：式（3）、式（4）中 Ai和分别为预测的电导率及其平均值，Bi和分别为真实电导率及其平均值，n为元素个数。式（5）中 At是测量覆盖率，是异常体的面积与背景区域的面积的比值，Br是实际物体的测量覆盖率。I 值表示图像相关系数，该值小于 0.5、介于 0.5 0.75、介于 0.75 0.9 和大于 0.90 分别表示可靠性较差、中等、良好和极好14。R 值表示均方根误差，该值越低越好，C值表示相对大小覆盖率，该值越接近于 1 越好。3 仿真设计3.1 单异常体仿真实验结果本文使用 GN、U-Net 和 IRU-Net 算法对图像重建仿真。通过不同算法的对比来验证算法的图像重建效果。上述三种算法在无噪声环境下识别圆形、长方形、正方形、不规则图形、大半圆形异常体对应的重建效果如图 3 所示，三种算法成像图中的黑色虚线框为真实异常体存在位置，起对比作用。结果对应的 I 值如图 4 所示，R 与 C 平均值如表 2 所示。2023 年第 10 期101计算机应用信息技术与信息化图 3 单异常体成像结果对比图 4 成像结果 I 值表 2 R 和 C 平均值算法R 平均值C 平均值GN0.983 42.921 6U-Net0.050 11.686 3IRU-Net0.024 40.980 2由图 4 所示的 I 值与图 3 所示的成像结果可知，在圆形、长方形、方形、不规则、半圆形异常体下，GN 传统算法成像结果对应 I 值多为中等可信度，长方形的 I 值小于 0.5，可信度差。根据表 2 结合图 4，GN 算法的 C 平均值为 2.921 6，证明其伪影多。R 值为 0.983 4，偏差大。所以 GN 算法对于单异常体判断效果不好。同上，U-Net 网络成像结果 I 值大多可信度良好，但大面积半圆形异常体情况下 I 值为 0.585 9，可信度大幅减少。反观 IRU-Net 算法成像结果 I 值大多为极好可信度，大面积半圆形异常体情况下 I 值有 0.831 5，良好可信度。证明 IRU-Net 算法可信度高。根据表 2 结合图 4，IRU-Net 算法结果的R平均值为0.024 4，对比U-Net算法结果的R平均值的0.050 1，准确率提高了约 50%，说明其成像结果异常体位置偏差小。IRU-Net 算法的 C 平均值为 0.980 2，比 U-Net 算法的准确度提高了 43%，证明对于异常体边界 IRU-Net 算法表现更优秀。所以单异常体仿真成像中，IRU-Net 算法在三种算法中效果最好。3.2 泛化性仿真实验结果在现实中可能存在多异常体的情况。因此要求算法能够对多异常体的各种情况进行成像，即算法需要泛化能力。三种算法对多目标情况进行了成像比较，结果如图 5 所示。计算结果的 I 值如图 6，R 与 C 平均值如表 3 所示。图 5 多异常体成像结果对比图 6 成像结果 I 值表 3 R 和 C 平均值算法R 平均值C 平均值GN0.977 42.031 4U-Net0.143 10.842 8IRU-Net0.080 20.968 6由图 5 所示的成像结果与图 6 所示的 I 值可知，在两个方形、两个圆、一个方形一个圆、两个不规则异常体情况下，GN 传统算法成像结果对应 I 值均成像可信度中等偏差。根据表 3 结合图 5，GN 算法的 C 平均值为 2.021 6，成像伪影多。2023 年第 10 期102计算机应用信息技术与信息化R 值为 0.977 4，偏差大。所以 GN 算法对于多异常体成像效果不好。U-Net 网络成像结果 I 值可信度良好，IRU-Net 网络成像结果 I 值可信度极好，对于泛化性测试 IRU-Net 算法可信度更高。根据表3结合图6，IRU-Net算法的R平均值相比U-Net算法的 R 平均值准确度提高了 44%，说明泛化性测试中 IRU-Net 成像的异常体位置更准确。IRU-Net 算法的 C 平均值为0.968 6，相比 U-Net 算法提高了 13%，证明对于异常体边界和大小的成像，IRU-Net 算法表现更优秀。所以在多异常体泛化性测试中，对于多种不同情况的异常体组合，IRU-Net算法在三种算法中成像效果最好。3.3 噪声仿真实验结果实际生活中存在各式各样的噪声干扰，在硬件系统不变的情况下，要求算法具有抗干扰能力，即算法的鲁棒性。噪声不仅针对一个圆形、一个方形、一个不规则异常体，也包含泛化性测试的两个方形异常体。成像结果如图 7 所示。I值如图 8，R 与 C 值表 4 所示。针对 IRU-Net 算法对不同高斯白噪声情况进行成像比较。图 7 加噪声成像结果图 8 成像结果 I 值表 4 R 和 C 平均值噪声R 平均值C 平均值50 dB0.039 11.044 340 dB0.050 11.196 130 dB0.077 81.303 2无噪声0.033 00.981 2由图 7 所示的不同噪声环境下的成像结果与图 8 所示的I 值可知，在 50 dB、40 dB 情况下，单异常体与泛化性多异常体成像，IRU-Net 算法成像结果 I 值均为极好可信度。同上在 40 dB、30 dB 情况下，单异常体与泛化性多异常体成像，IRU-Net 算法成像结果 I 值均为良好可信度。说明在噪声实验中，虽然随着环境噪声的增加，IRU-Net 算法成像结果的I 值会有下降，但可信度仍然很高。根据表 4 结合图 8，可以看出噪声的增加虽然也会导致 R 平均值与 C 平均值增高，但即使在 30 dB 的环境噪声下，IRU-Net 算法的 R 平均值为0.077 8，C 平均值为 1.303 2，仍能成像出较好的异常体位置与异常体边界情况。所以对于多种异常体情况，IRU-Net 算法在三种算法中效果最好。综上所述，IRU-Net 算法应用于 ERT 中的不仅成像质量高，并且有泛化能力与较好的抗噪性。4 实验认证图 9 为适应本文介绍的 IRU-Net 算法而自主开发的 ERT硬件装置，该装置由 MCU 主控芯片、信号发生器、压控恒流源、16 路换路部分、差分放大五部分组成。水槽装置是PMMA 材料，内径 20 cm。电极选用 3 cm1 cm 的矩形黄铜电极。模拟异常体选用绝缘的尼龙棒，位于图 9 中的模拟异常体位置。信号发生器产生 2 kHz、2 VPP 的正弦波，示波器显示的是 1、2 路激励 3、4 路采集的正弦波电压值，上位机上显示的是串口控制采集端以及采集一组电压信号后的成像结果。图 9 实验装置正面图 2023 年第 10 期103计算机应用信息技术与信息化结果如图 10 所示，左侧为模拟异常体实验，通过改变尼龙棒的位置和数量得到不同的实验样本，右侧为 IRU-Net 成像结果图。可以看出对于单异常体模拟和多异常体模拟成像结果与模拟场域中尼龙棒位置和大小基本一致，但因为铜片电极与焊锡之间的电池效应与实验装置中存在的系统误差，有部分伪影出现。上述结论表明尽管模拟异常体实验完成度不及仿真实验，但足以证明本文的 IRU-Net 算法有现实可行性。图 10 成像结果图5 结论本研究中实现了 ERT 与深度学习的结合，并比较 GN、U-Net 和 IRU-Net 三种算法在不同情况中的表现。上述仿真实验与模拟实验表明 IRU-Net 算法对于图像重建具有足够的准确性、泛化性和鲁棒性。另外，IRU-Net 算法对于异常体面积占比大小的预测更加准确，效果有显著提升。IRU-Net 算法的后处理在 GPU 上的处理效率高、时间短，并且原始办法提供实时图像重建方法。因此认为本网络可以实现实时图像重建。未来的方向是将本网络用于实时成像上。此外，笔者预计，一旦传统方法在三维成像取得一定的突破，本课题中的网络框架也可以扩展到三维成像上。参考文献：1 WOO E J,HUA P,WEBSTER J G,et al.Finite-element method in electrical impedance tomography J.Medical and biological engineering and computing,1994,32(5):530-6.2 HOLDER D S.Electrical impedance tomography(EIT)of brain functionJ.Brain topography,1992,5(2):87-93.3 仝卫国,曾世超,李芝翔,等.基于 LSTM 的气液两相流液相流量测量方法 J.仪表技术与传感器,2021,(11):94-8.4 卜世俊,张伟,李思君,等.多通道生物电阻抗测量系统的设计与开发 J.信息技术与信息化,2016(Z1):54-7.5 钱奕恺.基于电阻断层成像的出口导流叶片损伤检测方法 D.杭州:浙江理工大学,2022.6 HU D,LU K,YANG Y.Image reconstruction for electrical impedance tomography based on spatial invariant feature maps and convolutional neural networkC/Proceedings of the 2019 IEEE International Conference on Imaging Systems and Techniques(IST).Piscataway:IEEE,2019:1-6.7 HAMILTON S J,HAUPTMANN A.Deep D-Bar:real-time electrical impedance tomography imaging with deep neural networksJ.IEEE transactions on medical Imaging,2018,37(10):2367-77.8 吴阳,刘凯,陈柏,等.自适应粒子群优化算法优化径向基函数神经网络用于电阻抗成像图像重建 J.仪器仪表学报,2020,41(6):240-249.9 RONNEBERGER O,FISCHER P,BROX T.U-Net:Convo-lutional Networks for Biomedical Image Segmentation C/Proceedings of the Medical Image Computing and Comput-er-Assisted Intervention(MICCAI)2015.Cham:Springer In-ternational Publishing.2015:234-241.10 余金华.电阻层析成像技术应用研究D.杭州:浙江大学,2005.11 许振远.基于深度学习的柔性传感器阵列电阻抗成像研究 D.广州:华南理工大学,2021.12 戎舟,李若愚,方滔.基于多层人工神经网络的电阻抗成像算法 J.国外电子测量技术,2021,40(1):80-86.13 李若愚.基于神经网络的电阻抗成像算法研究 D.南京:南京邮电大学,2021.14 KOO T K,LI M Y.A guideline of selecting and reporting intraclass correlation coefficients for reliability researchJ.Journal of chiropractic medicine,2016,15(2):155-63.【作者简介】张鹏（1999），男，湖北黄石人，硕士研究生，研究方向：嵌入式系统与信号处理。（收稿日期：2023-04-03 修回日期：2023-04-18）