研究室论文《Bayesian Image Reconstruction Using Weighted Laplace Prior for Lung Respiratory Monitoring with Electrical Impedance Tomography》被SCI期刊《IEEE TRANSACTION ON INSTRUMENTATION AND MEASUREMENT》录用。
本论文基于电阻抗断层成像(EIT)具有高度非线性和病态的特性，因其空间分辨率较低，限制了其在医疗设备中应用的背景，设计了一种新的分层块稀疏贝叶斯学习(BSBL)方法，用于EIT肺呼吸的监测。该方法结合了基于KNN的自适应分组策略和加权拉普拉斯先验，很好地恢复肺的主要形状特征与肺的一些重要细节，如位置、大小与腹侧的一些锋利的边缘和角落，同时可以较好地克服由接触不良的电极、血流或心脏等所引起的模型误差。此外，本文还在模拟肺呼吸监测中使用多种指标进行了定量评估，其仿真和实验结果表明该方法在空间分辨率、形状保持和伪影抑制方面优于其他方法。同时，在显著减少计算时间的情况下获得了优异的恢复性能。
本文所提出的方法是一种有效且稳健的成像重建方法，进一步提高了EIT在呼吸系统临床应用的可行性，未来有助于提供一种高效、稳健的EIT体内肺呼吸监测手段。详情可见期刊论文。
图1 EIT动态模拟肺呼吸监测的实验装置