研究室论文《A fast 3D lung image reconstruction method based on CT pixel matrices learning with electrical impedance tomography》被期刊《 Measurement》录用。
本文提出了一种基于U2-CPML-Net重建网络下CT像素矩阵学习（CPML）的3D肺图像重建方法，用于快速、高分辨率地重建3D肺图像。对U2-CPML-Net模型进行训练，以建立从边界电压到3D肺图像的直接映射。训练数据集是基于185名患者的CT像素矩阵生成的。为了增强模型的鲁棒性，进行了随机模拟来模拟肺损伤、肺收缩和不同电导率分布等条件。使用结构相似性（SSIM）和平均绝对误差（MAE）来评估模型的性能，并使用重建时间（RT）来评估计算效率。结果显示，三名健康志愿者的SSIM高于0.85，气胸患者的SSIM为0.80。此外，对单肺压缩的评估显示，U2-CPML-Net模型和CT诊断之间的相对压缩体积误差（RCVE）为8.85%，证明了其在3D肺图像重建中的鲁棒性和准确性。
图 具有 16 个电极的 3D 人体胸部模型