Beyond the Labels - Transforming Classification Outputs into Continuous Conductivity Maps in Electrical Impedance Tomography
Fragment książki (Materiały konferencyjne)
MNiSW
200
konferencja
| Status: | |
| Autorzy: | Wójcik Dariusz, Majerek Dariusz, Rymarczyk Tomasz, Łobodiuk Tomasz, Oleszek Michał, Król Krzysztof |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Strony: | 612 - 613 |
| Web of Science® Times Cited: | 0 |
| Bazy: | Web of Science | |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 23rd ACM Conference on Embedded Networked Sensor Systems |
| Skrócona nazwa konferencji: | 23rd SenSys 2025 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 6 maja 2025 do 9 maja 2025 |
| Miasto konferencji: | Irvine |
| Państwo konferencji: | STANY ZJEDNOCZONE |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| Electrical Impedance Tomography (EIT) is a noninvasive imaging technique for estimating conductivity distributions, but its inverse problems are computationally demanding and noise-sensitive. This paper presents a deep learning framework integrating classification and regression to estimate conductivity maps efficiently. The model employs MobileNetV2-inspired residual blocks in a U-Net-based encoder-decoder structure. Regression is handled by weighting class probabilities with a predefined conductivity scale. Evaluated on simulated and real EIT data, the model accurately reconstructs conductivity maps, offering an efficient, real-time solution for biomedical and industrial imaging. |
