基于替代模型和贝叶斯推理的EIT电阻率反演

在生物组织电阻抗成像(EIT)技术中,介质电特性分布具有不确定性,因而研究概率框架下的重建方法具有重要意义.针对EIT中电阻率的不确定性反演及正问题调用过程中计算负荷庞大的问题,提出了基于替代模型和贝叶斯推理的参数反演方法.首先,针对4层同心圆头模型,采用拉丁超立方抽样方法进行训练,建立了EIT正问题计算的Kriging模型、BP神经网络模型和径向基函数(RBF)神经网络模型,并且甄别出精度最高的RBF神经网络替代模型.结果表明,替代模型在保证计算精度的条件下大幅提高了计算效率.然后,基于贝叶斯推理框架下的差分进化自适应多链并行DREAM_zs算法和在此基础上加入卡尔曼激励建议分布的DREAM_kzs算法,对EIT中的电阻率进行反演.结果表明,两种算法均能进行有效反演,DREAM_kzs算法有着更快的收敛速度和更高的识别精度,且灵敏度越高的参数反演效果越好,即头皮的反演效果最好,其次依次为颅骨、大脑和脑脊液.进一步,构造了基于真实CT图像的胸腔仿真模型,采用RBF模型作为正问题替代模型,利用DREAM_zs算法和DREAM_kzs算法对正常肺部组织和两种病变情况进行电阻率分布的图像重构.结果表明,两种方法均能有效反演,DREAM_kzs算法的性能均优于DREAM_zs算法,且外层单元的反演效果整体上要优于内层单元.仿真实验结果表明,基于替代模型和贝叶斯推理的方法可实现EIT电阻率的有效反演,可望为临床应用提供依据.