Application of machine learning for image reconstruction in Electrical Impedance Tomography for noninvasive urinary tract monitoring
Artykuł w czasopiśmie
MNiSW
70
Lista 2024
| Status: | |
| Warianty tytułu: |
Zastosowanie uczenia maszynowego do rekonstrukcji obrazu w elektrycznej tomografii impedancyjnej do nieinwazyjnego monitorowania dróg moczowych
|
| Autorzy: | Mazurek Mariusz, Dziadosz Marcin, Sikora Jan, Niderla Konrad |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 3 |
| Wolumen/Tom: | 102 |
| Numer artykułu: | 10 |
| Strony: | 60 - 65 |
| Impact Factor: | 0,4 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 27 marca 2026 |
| Abstrakty: | angielski | polski |
| This publication discusses an electrical impedance tomography (EIT) system designed as an innovative tool for noninvasive diagnostics and continuous monitoring of urinary tract functionality. The image reconstruction process was implemented using advanced machine learning methods, including artificial neural networks. Comparative analyses demonstrated that the NNET-based model demonstrated the highest mapping precision and the shortest computational time compared to other algorithms tested, positioning it as an optimal solution for practical applications. The results of simulation studies, supported by positive electromagnetic compatibility (EMC) test results, indicate the potential for clinical implementation of the developed system, which could contribute to setting new standards in diagnostic and rehabilitation procedures in urology. | |
| W publikacji omówiono system elektrycznej tomografii impedancyjnej (EIT), zaprojektowany jako nowatorskie narzędzie służące do nieinwazyjnej diagnostyki oraz ciągłego monitorowania funkcjonalności układu moczowego. Proces rekonstrukcji obrazu zrealizowano z wykorzystaniem zaawansowanych metod uczenia maszynowego, w tym sztucznych sieci neuronowych. Przeprowadzone analizy porównawcze wykazały, że model oparty na sieci neuronowej typu NNET charakteryzuje się najwyższą precyzją odwzorowania oraz najkrótszym czasem obliczeń w zestawieniu z pozostałymi badanymi algorytmami, co pozycjonuje go jako rozwiązanie optymalne do zastosowań praktycznych. Rezultaty badań symulacyjnych, poparte pozytywnymi wynikami testów kompatybilności elektromagnetycznej (EMC), wskazują na potencjał wdrożeniowy opracowanego systemu w warunkach klinicznych, co może przyczynić się do ustanowienia nowych standardów w procedurach diagnostycznych i rehabilitacyjnych urologii. |
