层析成像深度学习图像重建技术:电阻及电阻-超声双模态融合电子书

书名页

内容提要

版权页

作者简介

前言

第1章绪论

1.1 层析成像技术及其意义

1.2 电学层析成像技术

1.2.1 电学层析成像技术概述

1.2.2 电学层析成像图像重建方法

（1）一步重建方法

（2）迭代重建方法

（3）正则化重建方法

（4）组合重建方法

（5）非线性重建方法

1.3 多模态层析成像技术

1.3.1 多模态层析成像技术概述

1.3.2 多模态层析成像图像重建方法

（1）一种模态作为先验信息的融合重建方法

（2）两种模态图像融合的重建方法

（3）多模态融合重建方法的问题

1.4 层析成像技术中深度学习图像重建方法

1.4.1 深度学习方法及特点

1.4.2 深度学习在图像重建中的研究现状

（1）深度学习图像重建非线性建模

（2）深度学习与现有图像重建方法的结合

1.4.3 深度学习图像重建面临的问题

1.5 本书主要思路及内容

1.5.1 主要思路

1.5.2 主要内容

第2章层析成像基本原理与图像重建方法

2.1 电阻层析成像数学模型及研究问题

2.1.1 电阻层析成像数学模型

2.1.2 电阻层析成像研究问题

2.2 电阻层析成像图像重建常用方法

（1）LBP图像重建方法

（2）Landweber迭代图像重建方法

（3）正则化方法

2.3 深度学习图像重建方法

2.3.1 深度学习应用于反问题的解释性

2.3.2 深度学习单模态图像重建的应用

（1）边界测量信息与介质分布变量间的非线性建模

（2）深度学习与现有图像重建方法的结合

2.3.3 深度学习多模态融合重建的实现

（1）多模态深度学习图像重建融合策略

（2）多模态深度学习图像重建融合方法

2.4 重建图像评价指标

2.5 多相介质分布数据库

2.5.1 样本库的基本形式及内容

（1）离散气泡样本的典型分布

（2）分层样本的典型分布

2.5.2 离散气泡分布的样本建立

（1）样本创建

（2）样本信息预处理

2.5.3 分层分布的样本建立

（1）样本创建

（2）样本信息预处理

2.5.4 数据库中样本集的使用

2.6 本章小结

第3章V型网络ERT图像重建方法

3.1 卷积神经网络

（1）卷积层

（2）池化层

（3）反卷积层

（4）全连接层

（5）残差层

3.2 V-Net图像重建方法

3.2.1 重建网络构建思路

3.2.2 重建网络的训练

3.2.3 重建网络结构的选择

3.2.4 V-Net网络构建结果

3.2.5 V-Net网络抗噪性测试

3.3 VD-Net图像重建方法

3.3.1 密集连接的信息流与梯度流

3.3.2 VD-Net网络

3.3.3 VD-Net网络抗噪性测试

3.4 仿真和实验测试结果与分析

3.4.1 不同重建方法的对比

3.4.2 移动模型实验测试

3.4.3 空间分辨率实验测试

3.4.4 分层分布动态实验测试

3.5 本章小结

第4章Landweber深度学习图像重建方法

4.1 Landweber深度学习图像重建模型

4.2 Landweber迭代重建网络

4.2.1 重建网络的训练

4.2.2 重建网络结构的选择

4.2.3 重建网络构建结果

4.2.4 重建网络抗噪性测试

4.2.5 重建网络不同电导率对比度测试

4.3 实验结果与分析

4.3.1 离散泡状分布实验测试

4.3.2 分层分布动态实验测试

4.4 本章小结

第5章电阻／超声双模态注意力融合图像重建

5.1 双模态融合基础

5.1.1 超声波透射衰减原理

5.1.2 双模态测量信息与敏感空间

5.2 双模态信息融合方法

5.3 双分支注意力图像重建网络

5.3.1 双模态信息融合思路

5.3.2 双模态融合网络的训练

5.3.3 双模态融合策略的选择

5.4 仿真结果与分析

5.4.1 仿真重建结果

5.4.2 算法抗噪性分析

5.5 实验结果与分析

5.6 本章小结

第6章总结与展望

6.1 总结

6.2 展望

附录 符号对照表和缩略语说明

符号定义

角标定义

缩略语说明

参考文献