h1

h2

h3

h4

h5
h6
http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png

Towards time-independent electrical impedance tomography reconstruction



Verantwortlichkeitsangabevorgelegt von Jöran Rixen, M.Sc., M.Sc.

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen


Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026


Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
; ;

Tag der mündlichen Prüfung/Habilitation
2025-12-10

Online
DOI: 10.18154/RWTH-2026-04760
URL: https://publications.rwth-aachen.de/record/1034498/files/1034498.pdf

Einrichtungen

  1. Lehrstuhl für Medizinische Informationstechnik (611010)

Inhaltliche Beschreibung (Schlagwörter)
D-bar (frei) ; EIT (frei) ; electrical impedance tomography (frei) ; machine learning (frei)

Thematische Einordnung (Klassifikation)
DDC: 621.3

Kurzfassung
Motivation, Ziel und Aufgabe - Motivation: Die elektrische Impedanztomographie (EIT) ist ein nicht-invasives bildgebendes Verfahren mit erheblichem Potenzial in der medizinischen Diagnostik (z. B. Lungenüberwachung, Krebserkennung) und in industriellen Anwendungen. Ihre klinische Anwendung bleibt jedoch aufgrund von drei entscheidenden Herausforderungen, die der zeitunabhängigen Rekonstruktion innewohnen, begrenzt: (1) das schlecht gestellte inverse Problem verstärkt kleine Messfehler zu schwerwiegenden Artefakten, (2) Hardware-Unvollkommenheiten und Modellierungsungenauigkeiten verringern die Robustheit, und (3) bestehende Algorithmen wie Gauss-Newton und D-Bar leiden unter rechnerischer Ineffizienz, Instabilität unter realen Bedingungen oder mangelnder Generalisierbarkeit. Traditionelle Ansätze mit neuronalen Netzen erfordern oft Kalibrierungsdaten oder scheitern an der Handhabung vielfältiger Leitfähigkeitsverteilungen. Diese Arbeit schließt diese Lücken, indem sie die Rekonstruktionsqualität, die Recheneffizienz und die Rauschresistenz für die absolute und frequenzdifferentielle EIT vorantreibt. Ziel: Die Dissertation verfolgt zwei komplementäre Ansätze zur Verbesserung der zeitunabhängigen EIT: Künstliches neuronales Netz (KNN): Entwurf einer rotationsinvarianten Architektur zur direkten Abbildung von Randspannungen auf Leitfähigkeitsverteilungen, wobei Rauschrobustheit und Generalisierbarkeit über verschiedene Szenarien hinweg priorisiert werden. D-Bar-Algorithmus: Verfeinerung dieser direkten Methode für absolute und frequenzdifferentielle Rekonstruktionen bei gleichzeitiger Adressierung praktischer Einschränkungen wie Kontaktimpedanz, nicht kreisförmiger Domänen und begrenzter räumlicher Auflösung durch Fusion von Radardaten. Aufgabe: Die Arbeit entwickelt zwei Ansätze: ein rotationsinvariantes KNN, das auf FEM-Simulationen und Tankdaten für die direkte Abbildung von Spannung auf Leitfähigkeit trainiert wurde, und einen verbesserten D-Bar-Algorithmus für praktisch verfügbare Messgeräte. Die Validierung konzentriert sich auf synthetische FEM-Datensätze und experimentelle Tankmessungen mit leitfähigen Zielen. Wesentliche wissenschaftliche Beiträge - KNN: Die vorgeschlagene KNN-Architektur etabliert durch drei grundlegende Innovationen neue Fähigkeiten in der absoluten EIT-Rekonstruktion. Erstens bewältigt das rotationsinvariante Design des Netzwerks durch Weight-Sharing und Codierung der Elektrodenpositionen von Natur aus beliebige Domänenorientierungen, wodurch die Notwendigkeit expliziter Koordinatentransformationen entfällt. Zweitens demonstriert das ausschließliche Training auf synthetischen Datensätzen, die durch Finite-Elemente-Methoden-Simulationen (FEM) generiert wurden, die Generalisierbarkeit auf reale Labor- und Tierdaten. Drittens stellt die Architektur die erste erfolgreiche Anwendung neuronaler Netze auf die zeitunabhängige absolute EIT-Rekonstruktion dar, was durch systematische Experimente an Tankphantomen mit leitfähigen Zielen und Datensätzen aus Schweineversuchen validiert wurde, die eine physiologisch plausible Leitfähigkeitsunterscheidung zwischen den wichtigsten Organen zeigen. D-Bar: Diese Arbeit treibt die praktische Umsetzung der D-Bar-Methode durch zwei wichtige Beiträge voran. Der erste entwickelt eine vollständige operationelle Pipeline innerhalb des Open-Source-Frameworks EIDORS. Diese Implementierung demonstriert eine robuste experimentelle Leistung durch umfassende Tankphantom-Verifizierung mit mehreren leitfähigen Zielen. Der zweite stellt eine neuartige Vorverarbeitungsmethodik vor, die absolute Rekonstruktionen aus reinen Vierelektrodenmessungen ermöglicht – ein entscheidender Fortschritt für reale Anwendungen. Der modifizierte Algorithmus behält die Kompatibilität mit dem frequenzdifferentiellen und absoluten EIT-Betrieb bei und begegnet gleichzeitig historischen Einschränkungen bei der Handhabung von Schwankungen der Kontaktimpedanz. Zusammen überbrücken diese Entwicklungen die Lücke zwischen theoretischen D-Bar-Formulierungen und praktisch einsetzbaren EIT-Systemen.

Motivation, Goal and Task - Motivation: Electrical Impedance Tomography (EIT) is a non-invasive imaging technique with significant potential in medical diagnostics (e.g., lung monitoring, cancer detection) and industrial applications. However, its clinical adoption remains limited due to three critical challenges inherent to time-independent reconstruction: (1) the ill-posed inverse problem amplifies small measurement errors into severe artifacts, (2) hardware imperfections and modeling inaccuracies degrade robustness, and (3) existing algorithms like Gauss-Newton and D-Bar suffer from computational inefficiency, instability in real-world conditions, or lack of generalizability. Traditional neural network approaches often require calibration data or fail to handle diverse conductivity distributions. This work addresses these gaps by advancing reconstruction quality, computational efficiency, and noise resilience for absolute and frequency-differential EIT. Goal: The dissertation pursues two complementary approaches to improve time-independent EIT: Artificial Neural Network (ANN): Design a rotation-invariant architecture to directly map boundary voltages to conductivity distributions, prioritizing noise robustness and generalizability across diverse scenarios. D-Bar Algorithm: Refine this direct method for absolute and frequency-differential reconstructions while addressing practical limitations like contact impedance, non-circular domains, and limited spatial resolution through radar data fusion. Task: The work develops two approaches: a rotation-invariant ANN trained on FEM simulations and tank data for direct voltage-to-conductivity mapping, and an enhanced D-Bar algorithm for practically available measurement devices. Validation focuses on synthetic FEM datasets and experimental tank measurements with conductive targets. Major Scientific Contributions - ANN: The proposed ANN architecture establishes new capabilities in absolute EIT reconstruction through three fundamental innovations. First, the network's rotation-invariant design inherently handles arbitrary domain orientations through weight sharing and electrode position encoding, eliminating the need for explicit coordinate transformations. Second, training exclusively on synthetic datasets generated through Finite Element Method simulations demonstrates generalizability to real-world laboratory and animal data. Third, the architecture constitutes the first successful application of neural networks to time-independent absolute EIT reconstruction, validated through systematic experiments on tank phantoms with conductive targets and porcine trial datasets showing physiologically plausible conductivity discrimination between major organs. D-Bar: This work advances practical implementation of the D-Bar method through two key contributions. The first develops a complete operational pipeline within the open-source EIDORS framework. This implementation demonstrates robust experimental performance through comprehensive tank phantom verification with multiple conductive targets. The second introduces a novel pre-processing methodology enabling absolute reconstructions from pure four-electrode measurements – a critical advancement for real world applications. The modified algorithm maintains compatibility with frequency-differential and absolute EIT operation while addressing historical limitations in handling contact impedance variations. Together, these developments bridge the gap between theoretical D-Bar formulations and practically deployable EIT systems.

OpenAccess:
Volltext herunterladen PDF
(zusätzliche Dateien)

Dokumenttyp
Dissertation / PhD Thesis

Format
online

Sprache
English

Externe Identnummern
HBZ: HT031481376

Interne Identnummern
RWTH-2026-04760
Datensatz-ID: 1034498

Beteiligte Länder
Germany

 GO


OpenAccess

QR Code for this record

The record appears in these collections:
Dokumenttypen > Qualifikationsschriften > Dissertationen
Fakultät für Elektrotechnik und Informationstechnik (Fak.6)
Publikationsserver / Open Access
Öffentliche Einträge
Publikationsdatenbank
611010

 Datensatz erzeugt am 2026-05-04, letzte Änderung am 2026-06-11


Dieses Dokument bewerten:

Rate this document:
1
2
3
 
(Bisher nicht rezensiert)