让EIT看得更清：物理引导+扩散模型为电阻抗成像带来新突破
2026年8月6日 11:35浏览：8
文献：A Data-Constrained and Physics-Guided Conditional Diffusion Model for Electrical Impedance Tomography Image Reconstruction，Sensors 2026, 26(5), 1728，DOI: 10.3390/s26051728。
电阻抗成像（EIT）是一种
“
用电流看见内部结构
”
的成像技术：在物体边界布置电极，注入微小电流，采集电压响应，再反推出内部电导率分布。它无辐射、成本低、速度快，适合肺通气监测、乳腺筛查、工业两相流和柔性触觉传感等场景。但难点也很典型：EIT
逆问题
高度非线性、病态，测量噪声和电极接触变化都会让图像变糊、边界漂移、形状失真。
图1 二维EIT前向模型与16电极测量示意
这篇论文提出的 MS-CDM（Multi-Source Conditional Diffusion Model）把扩散模型引入EIT重建，并且不是只依赖单一输入，而是同时利用两类信息：一类是边界
电压测量，负责把真实传感数据
“
拉回现场
”
；另一类是Gauss-Newton粗重建图像，作为物理先验，负责给生成过程提供结构锚点。
方法亮点
•
多源条件融合：把测量域的电压信号和图像域的物理先验统一编码，减少
逆问题解空间
的歧义。
•
物理增强损失：训练目标同时考虑数据驱动
的去噪精度
和EIT前向物理一致性，
让结果
更符合真实测量。
•
Hybrid Swin-Mamba Denoising U-Net：浅层与中层用Swin Transformer捕捉局部边界和纹理，深层用双向Mamba建模全局拓扑结构。
•
DDIM快速采样：在保持重建质量的同时降低扩散采样步数，为实时传感应用留出空间。
图2 MS-CDM多源条件扩散重建框架
为什么这个组合有效？EIT图像重建最怕两件事：只有物理模型时，图像平滑、边界模糊；只有深度学习时，模型可能在复杂目标或噪声下
“
猜错形状
”
。MS-CDM的思路是让两条线互相补位：电压数据保证来源真实，物理先验保证结构
不
跑偏，扩散模型则通过逐步
去噪恢复
细节。
实验怎么做
作者基于EIDORS构建了5万组仿真样本，包含单目标、多目标、复杂凹形等不同拓扑；每帧使用16个边界电极，可得到208个独立边界电压测量。为贴近真实设备，还设置了UEF、KTC和自建系统三类激励协议，并加入从无噪声到10 dB的多级高斯噪声。评价指标包括相对误差RE、相关系数CC、结构相似性SSIM和Dice系数。
图3 噪声扰动下的EIT前向建模与GN初始重建
结果
一
：仿真重建更准，复杂形状也不容易散
在仿真数据集上，MS-CDM取得最低相对误差0.218
±
0.094、最高相关系数0.969
±
0.034、Dice系数0.956
±
0.041，整体优于传统TR、CNN、RAU-Net、DHU-Net和仅使用电压条件的CDEIT。更重要的是，它在多目标、心形、星形、月牙等复杂结构中仍能保持目标位置、边界连续性和形态一致性。
结果二：噪声来了，也不是
“
一碰就碎
”
在40 dB到无噪声的高信噪比条件下，MS-CDM表现几乎一致；到20 dB时，Dice仍达到0.867
±
0.120，说明中等噪声下仍能可靠恢复结构。即使在10 dB强噪声条件下，模型虽然边界细节下降，但仍能保留基本定位能力，没有出现完全失效。
结果三：真实水槽和跨系统数据上仍然稳
论文进一步在UEF2017、KTC2023和自建水槽OUR2026
三类真实
EIT实验数据上验证。三套平台在硬件、激励协议、电极布局和噪声特性上差异明显，因而很适合考验模型的跨系统泛化能力。
图4 UEF2017真实实验数据集重建对比
在UEF2017上，MS-CDM取得SSIM 0.908
±
0.027、Dice 0.872
±
0.062，边界更清晰、伪影更少。
图5 KTC2023多系统真实实验数据集重建对比
在KTC2023多系统数据上，MS-CDM相对误差降至0.351
±
0.095，CC达到0.932
±
0.031，在高噪声和系统差异条件下仍能保持较稳定的形状恢复。
图6 OUR2026自建水槽实验数据集重建对比
在自建水槽OUR2026数据上，MS-CDM相对误差为0.358
±
0.122，CC为0.915
±
0.057，SSIM为0.907
±
0.023，Dice为0.901
±
0.055，说明该方法不仅能在公开数据集上表现好，也具备走向实际实验平台的潜力。
从论文到平台：更适合做
“
可比较、可验证
”
的EIT算法评估
如果把这类算法落到工程平台中，关键不是只展示一张好看的重建图，而是要能统一训练、统一推理、统一评价不同网络。多网络架构EIT对比评估平台可以承担这个角色：在训练端配置网络、
批大小
和学习率；在测试端加载权重，比较原始电压、GN重建、真实标签和深度学习预测结果。
图7 多网络架构EIT对比评估平台训练界面
图8 多网络架构EIT对比评估平台实时推理界面
一句话总结
MS-CDM的价值在于：它没有把EIT重建简单交给
“
黑箱网络
”
，而是把真实边界电压、物理粗重建和生成式扩散过程放在同一个框架内协同工作。对EIT这种典型病态
逆问
题
来说，这种
“
数据约束+物理先验+生成式逐步恢复
”
的路线，既提升了图像清晰度，也增强了噪声鲁棒性和跨系统适应能力。未来如果进一步加速采样、轻量化部署，并扩展到
三维和
动态EIT，它有望服务于床旁肺监测、工业过程检测和
可
穿戴传感等更多实时场景。
技术服务支持
围绕EIT图像重建与智能传感应用，我们也可以提供完整技术服务支持：包括MATLAB仿真建模、EIDORS有限元
正问题与逆问题
建模、不同电极/激励协议下的数据集构建，以及基于Python和
PyTorch
的网络训练、模型复现、指标评估与可视化对比。无论是论文方法复现、实验平台验证，还是面向具体应用场景的算法定制，都可以进一步开展合作。
技术邻APP
工程师必备
工程师必备
- 项目客服
- 培训客服
- 平台客服
TOP
