The goal in acousto-electric tomography (AET) is to reconstruct an image of the unknown electric conductivity in an object from exterior electrostatic currents and voltages that are measured on the boundary of the object while the object is penetrated by propagating ultrasound waves. This problem is a coupled-physics inverse problem. Accurate knowledge of the propagating ultrasound wave is usually assumed and required, but in practice tracking the propagating wave is very hard, or potentially impossible, due inexact knowledge of the object's interior acoustic wave speed. In this work, we model uncertainty in the wave speed, and formulate a suitable reconstruction method for the power density and conductivity. We also establish theoretical error bounds, and show that the suggested approach can be understood as a regularization scheme for the inverse problem. Finally, we simulate the wave speed from a numerical breast tissue model, and computationally explore the severity of the error in the reconstructions. Our results show that with reasonable sound speed uncertainty, reliable reconstruction is possible.


翻译:声电断层摄影(AET)的目标是从外部静电流和电压对物体边界测量的物体的未知电导率图像进行重建,通过超声波传播,通过超声波渗透到物体的边界上。这是一个混合物理的反问题。对超声波传播的精确了解通常是假设和需要的,但在实践中,由于对物体内部声波速度的不确切了解,跟踪波传播速度非常困难或可能不可能。在这项工作中,我们模拟波速的不确定性,并为电流密度和导电率制定适当的重建方法。我们还设定了理论误差界限,并表明所建议的方法可以被理解为反向问题的正规化办法。最后,我们用数字乳房组织模型模拟波速,并计算出重建错误的严重性。我们的结果显示,在合理的音速不确定的情况下,可靠的重建是可能的。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Risk-Aware Active Inverse Reinforcement Learning
Arxiv
7+阅读 · 2019年1月8日
Arxiv
19+阅读 · 2018年10月25日
Physical Primitive Decomposition
Arxiv
4+阅读 · 2018年9月13日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
5+阅读 · 2018年1月17日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员