第1章 緒論 001
1.1 層析成像技術及其意義 002
1.2 電學層析成像技術 004
1.2.1 電學層析成像技術概述 004
1.2.2 電學層析成像圖像重建方法 005
1.3 多模態(tài)層析成像技術 008
1.3.1 多模態(tài)層析成像技術概述 008
1.3.2 多模態(tài)層析成像圖像重建方法 009
1.4 層析成像技術中深度學習圖像重建方法 011
1.4.1 深度學習方法及特點 011
1.4.2 深度學習在圖像重建中的研究現(xiàn)狀 012
1.4.3 深度學習圖像重建面臨的問題 014
1.5 本書主要思路及內容 015
1.5.1 主要思路 015
1.5.2 主要內容 017

第2章 層析成像基本原理與圖像重建方法 019
2.1 電阻層析成像數(shù)學模型及研究問題 020
2.1.1 電阻層析成像數(shù)學模型 020
2.1.2 電阻層析成像研究問題 022
2.2 電阻層析成像圖像重建常用方法 023
2.3 深度學習圖像重建方法 027
2.3.1 深度學習應用于反問題的解釋性 027
2.3.2 深度學習單模態(tài)圖像重建的應用 028
2.3.3 深度學習多模態(tài)融合重建的實現(xiàn) 031
2.4 重建圖像評價指標 033
2.5 多相介質分布數(shù)據(jù)庫 034
2.5.1 樣本庫的基本形式及內容 034
2.5.2 離散氣泡分布的樣本建立 037
2.5.3 分層分布的樣本建立 040
2.5.4 數(shù)據(jù)庫中樣本集的使用 042
2.6 本章小結 043

第3章 V型網絡ERT圖像重建方法 045
3.1 卷積神經網絡 046
3.2V-Net圖像重建方法 049
3.2.1 重建網絡構建思路 049
3.2.2 重建網絡的訓練 051
3.2.3 重建網絡結構的選擇 052
3.2.4 V-Net網絡構建結果 053
3.2.5 V-Net網絡抗噪性測試 055
3.3 VD-Net圖像重建方法 058
3.3.1 密集連接的信息流與梯度流 058
3.3.2 VD-Net網絡 060
3.3.3 VD-Net網絡抗噪性測試 062
3.4 仿真和實驗測試結果與分析 065
3.4.1 不同重建方法的對比 065
3.4.2 移動模型實驗測試 068
3.4.3 空間分辨率實驗測試 069
3.4.4 分層分布動態(tài)實驗測試 070
3.5 本章小結 073

第4章 Landweber深度學習圖像重建方法 075
4.1 Landweber深度學習圖像重建模型 076
4.2 Landweber迭代重建網絡 077
4.2.1 重建網絡的訓練 077
4.2.2 重建網絡結構的選擇 079
4.2.3 重建網絡構建結果 080
4.2.4 重建網絡抗噪性測試 082
4.2.5 重建網絡不同電導率對比度測試 085
4.3 實驗結果與分析 086
4.3.1 離散泡狀分布實驗測試 086
4.3.2 分層分布動態(tài)實驗測試 088
4.4 本章小結 088

第5章 電阻/超聲雙模態(tài)注意力融合圖像重建 091
5.1 雙模態(tài)融合基礎 092
5.1.1 超聲波透射衰減原理 092
5.1.2 雙模態(tài)測量信息與敏感空間 093
5.2 雙模態(tài)信息融合方法 095
5.3 雙分支注意力圖像重建網絡 097
5.3.1 雙模態(tài)信息融合思路 097
5.3.2 雙模態(tài)融合網絡的訓練 099
5.3.3 雙模態(tài)融合策略的選擇 100
5.4 仿真結果與分析 104
5.4.1 仿真重建結果 104
5.4.2 算法抗噪性分析 107
5.5 實驗結果與分析 108
5.6 本章小結 112

第6章 總結與展望 115
6.1 總結 116
6.2 展望 117

附錄 符號對照表和縮略語說明 119

參考文獻 123