基于改进条件扩散模型的电阻抗成像图像重建与敏感度先验融合
摘要：电阻抗成像（EIT）以低成本、实时性和无创性在医学与工业领域具有广泛前景，但其逆问题高度非线性、病态，导致成像质量与泛化性受限。本文面向两条互补技术路线：一是条件扩散重建（CDEIT），直接以边界电压为条件，在端到端扩散反演中迭代生成电导率图像；二是无监督敏感度先验融合（SPfusion），在物理模型驱动解算中引入由扩散模型生成的非均匀敏感度先验，以增强结构细节与稳健性。我们给出统一问题表述、网络结构要点（Transformer-U-Net、多尺度/窗口注意力、时间步嵌入、EIM电压映射）、快速采样（DDIM）与电压/电流归一化的域泛化方案；并基于16电极、邻近激励/测量协议，覆盖多相夹杂、肺形体模及实际测量，报告在PSNR/SSIM/RMSE等指标上的优于多种基线（如DHU-Net、FISTA-Net、CD-EIT）的结果与可视化对比。方法论证表明，直接条件生成与物理先验融合两类扩散框架可分别从数据驱动和模型驱动侧提升EIT重建的分辨率与鲁棒性，并可与实时成像和临床任务（如呼吸功能监测）进一步耦合。
关键词：电阻抗成像（EIT）；扩散模型；条件扩散；敏感度先验；Transformer；DDPM/DDIM；模型驱动与数据驱动融合；域泛化
一、引言
EIT通过测量电极边界电压来反演目标区域的电导率分布。传统线性化或迭代优化方法虽能引入正则项缓解病态，但在实时性、结构边界锐度与对噪声/失配的鲁棒性方面仍受限。深度学习方法将电压到电导率的映射视作回归问题，取得显著提升，但存在对特定数据分布过拟合、泛化性弱等问题。近年兴起的扩散生成模型以多阶段去噪的方式逐步细化空间细节，具备更强的先验学习与抗噪能力。本文聚焦两类代表性思路：（i）CDEIT：以边界电压作为条件直接生成电导率图像；（ii）SPfusion：以扩散模型生成非均匀敏感度先验并与模型驱动解算融合，以弥补线性敏感度的高阶信息缺失。相关工作已系统阐述CDEIT的数学建模、Transformer-U-Net骨干与电压/电流归一化跨域泛化策略；SPfusion从数据侧展示了同/异质敏感度分布与重建质量的系统性提升证据。
图1 扩散EIT模型架构
二、方法
2.1 问题定义与总体框架
设二维域内电导率分布为σ，边界电压为U，前向算子为U=f(σ)。时差EIT中，关注ΔU与Δσ之间的非线性映射。本文从两条路径求解条件分布p(σ|U)：
路径A（CDEIT）：端到端条件扩散，直接采样p(σ|U)； 路径B（SPfusion）：以扩散模型生成非均匀敏感度先验Sinhomo，替代或补充均匀敏感度，嵌入模型驱动重建流程。
2.2 条件扩散重建（CDEIT）
条件与表示： 将每次邻近激励产生的13个有效电压按电极顺序组织为二维EIM电压图，经上采样与噪声时步t的带噪σ_t在通道维拼接作为网络输入；时间步t采用可学习嵌入注入到Transformer/Swin-Transformer块。 结构与训练： 采用Transformer-U-Net骨干，多尺度全局注意力与窗口注意力结合；损失使用ℓ1\ell_1ℓ1稳定拟合；训练阶段执行前向扩散q(σ_t|σ_0)，反向由网络预测μθ\mu_\thetaμθ或σθ\sigma_\thetaσθ逐步去噪。 推理与加速： 采用DDIM非马尔可夫采样跳步反演以加速重建。 域泛化： 提出电压/电流归一化策略，使仅以模拟数据训练的模型可在不同背景电导率与激励电流的实测数据上直接应用，无需再训练。
2.3 敏感度先验生成（SPfusion）
动机： 经典同质敏感度（由Geselowitz定理计算的雅可比近似）忽略高阶非线性项，难以刻画结构与电参差异。 模型： SPfusion以同质敏感度与测量电压为条件，训练无监督条件扩散模型生成非均匀敏感度先验（张量维度M×N×N；M为208条测量，N为反演网格分辨率），并与模型驱动重建（如FISTA-Net等）耦合。 双域网络： 采用DDSP-Net，在笛卡尔与极坐标双域Transformer中提取多尺度潜表征，并以测量条件注意力充分保留长程依赖。
图2 改进扩散神经网络架构
2.4 数据集与实验设置
电极/协议： 圆域16电极，邻近激励–邻近测量，单次截面获得208个电压。
模拟数据：
多相夹杂：导电率范围10−610^{-6}10−6–106 S/m10^{6}\,\text{S/m}106S/m，半径0.02–0.08 m，1–4个不相交夹杂；总计52,430样本（其中圆形42,430，异形10,000），按8:1:1划分训练/验证/测试。 肺形体模：依据CT结构设定器官电导率（脂肪0.30 S/m、心脏0.50 S/m、主动脉0.60 S/m、脊柱0.09 S/m、充气肺0.15 S/m），随机移除肺区模拟损伤（0.165–0.285 S/m），加性白噪SNR=65 dB；训练9,100，测试1,000。
实测数据： UEF2017、KTC2023公共数据以及圆域/胸型外形的外推验证。实现要点： 训练阶段单/多GPU；推理阶段采用DDIM步跳采样以兼顾速度与质量。开源实现与预训练权重参考工具箱说明。
三、结果
定量指标： 在模拟与实测场景中，CDEIT在PSNR/SSIM/CC等指标上优于结构感知双分支与U-Net系列；SPfusion在PSNR提高、RMSE降低、SSIM提升方面相对DHU-Net、FISTA-Net、CD-EIT、DiffusionEIT与CGAN等方法表现更优，涵盖同分布与外分布测试（胸型边界）。相关表SI–SV与图S13–S19展示了跨任务、跨边界条件的广泛对比与可视化证据。 可视化分析： 非均匀敏感度先验在中心区与结构边界附近呈现与夹杂/肺形态更一致的敏感分布，相比同质敏感度能更好地保留轮廓曲率与边界锐度，从而带来更清晰的重建图。
图3 扩散EIT仿真与实验结果
四、讨论
优势与互补性：CDEIT通过端到端条件生成直接建模p(σ∣U)p(\sigma|U)p(σ∣U)，多步去噪细化结构细节；结合Transformer/Swin实现全局–局部依赖的高效融合，并以电压/电流归一化实现模拟→实测的零样本迁移。 SPfusion以物理先验增强的方式弥补线性敏感度对高阶项的忽略，在模型驱动框架内提升稳定性与泛化性，对边界形状变化（胸型外形）更稳健。 局限与改进方向：实时推理：尽管DDIM可加速，但在超高帧率场景仍需进一步的步数压缩与蒸馏；失配鲁棒性：电极接触阻抗、几何建模误差等仍可能引入系统偏差；任务迁移：由成像质量到下游功能评估（如言语-呼吸相位与肺通气功能表型）的跨任务蒸馏与多任务训练，有望进一步提升临床可用性。 应用展望： 结合你现有的言语-呼吸功能EIT与多模态平台，可将CDEIT的条件生成与SPfusion的先验融合用于实时通气分布与相位模式识别，再叠加你常用的分类指标（Accuracy、F1-macro、QWK、Log-Loss）对下游诊断任务进行评估与闭环优化（本节为建议性扩展）。
