Electrical Impedance Tomography (EIT) is an inferential method imaging conductivity of domain via current injection and voltage measurement through the finite number of electrodes. Rapid and safe image reconstruction has made EIT a promising imaging method in various fields: medical imaging, robotic skin, flow sensing, and structural health monitoring. However, the modality’s low image quality has significantly hindered practical use. Although people have studied the effect of electrode configuration to improve image quality, however, there have been few systematic approaches to find an optimal electrode placement. This research proposes a novel method to find the optimal configuration of electrodes using active transfer learning and data augmentation. We defined three objective functions related to position, size, and shape distortion of perturbation to evaluate reconstructed images and found optimal electrode placements for each objective function. Furthermore, we propose the optimization framework using transfer learning for the iterative reconstruction method to circumvent tremendous computing processes producing datasets for optimization. The proposed method will be able to optimize electrode configurations under specific environments and objective functions if trainable.
전기저항단층촬영(EIT)은 주어진 도메인에서 유한개의 전극을 통해 들어가는 전류와 측정되는 전압신호를 이용해서 전도도 분포를 추정해내는 이미징기법이다. EIT는 빠르고 안전한 이미지 복원이 가능하다는 점에서 의료이미징, 로봇피부, 유동감지, 자가구조모니터링 등의 분야에서 다양하게 활용되어 왔다. 하지만, 이 기법의 낮은 이미지 품질은 EIT의 실제 사용을 어렵게 하였다. 전극 배치를 최적화함으로서 위 문제를 해결하려 시도는 하였지만 전극 배치를 최적화 하는 체계적인 접근방법을 매우 희박하였다. 본 연구에서는 능동적 전이학습과 데이터 결합을 기반으로 전극 배치를 최적화하는 방법을 제안한다. 우리는 자극의 위치, 크기, 모양에 대한 세 가지 목적함수를 정의하고 그 함수들에 대한 최적의 전극배치를 탐색하였다. 또한, 반복적인 방법으로 이미지를 재건할 때의 데이터 생산에 소요되는 굉장히 긴 계산시간을 우회하기 위해 전이학습을 이용한 최적화를 제안한다. 본 연구에서 제안하는 방법은 설계자가 정의하는 특정한 상황과 목적함수에 대해 학습만 가능하다면 전극배치를 최적화할 수 있을 것으로 기대한다.
