EIT图像重建算法比较：精度提升与优化策略

本文主要讨论了EIT（Electrical Impedance Tomography，电阻抗成像）图像重建方法的比较和优化。EIT是一种无创医学成像技术，利用人体组织的电导率差异来获取内部结构的信息。在处理EIT图像重建时，它是一个具有高度非线性和病态性的逆问题，因此，选择合适的算法至关重要。 首先，作者提到的MNR算法（可能是某种特定的迭代方法），在16电极的实际测量中，对于静态EIT，虽然有较高的图像重建误差（29%），但其迭代次数较多，适合大网格数的系统，可能在精度上有所牺牲。相比之下，指数加权矩阵正则化算法对于静态EIT在较小网格数下表现出较好的效果，图像重建误差较低（7.06%），并且算法迭代次数较少，对实际应用更为高效。 非线性共轭梯度迭代法虽然对静态EIT的图像重建误差（11.56%）较高，但对动态EIT的适应性更强，特别是对于较密集的网格，它的迭代次数较少（15次），表明其在实时应用中有一定的优势。 敏感系数矩阵法在动态EIT中，尽管对于一般网格数的系统，其图像重建误差（2.39%）较低，但在改进后的版本中，通过优化敏感系数矩阵，进一步降低了误差（1.36%），这对于动态EIT的图像质量和稳定性提升有着显著作用。 论文的创新之处在于： 1. 提出了自适应网格细分方法，通过有限元法（FEM）进行EIT图像重建时，根据阻抗梯度的变化动态调整网格，既能提高图像精度，又减少存储需求。 2. 文章改进了基于Tikhonov正则化的算法，通过指数加权矩阵正则化，更准确地考虑了阻抗图像的特性，有效减小了病态性，提高了重建质量和速度。 3. 针对正则化MNR算法的计算复杂性和稳定性问题，作者引入了修正的非线性共轭梯度迭代法（NLCG）。这种方法避免了计算二阶导数（Hessian矩阵），从而降低存储需求，提高了计算效率，同时改善了算法的稳定性。 这些研究成果对于优化EIT技术在临床医学中的应用具有重要意义，特别是在提高图像质量和降低计算负担方面。通过对比不同的重建方法，为实际EIT系统的硬件配置和算法选择提供了科学依据。