摘要：電阻抗成像（EIT）以低成本、實時性和無創性在醫學與工業領域具有廣泛前景，但其逆問題高度非線性、病態，導致成像質量與泛化性受限。本文面向兩條互補技術路線：一是條件擴散重建（CDEIT），直接以邊界電壓為條件，在端到端擴散反演中迭代生成電導率圖像；二是無監督敏感度先驗融合（SPfusion），在物理模型驅動解算中引入由擴散模型生成的非均勻敏感度先驗，以增強結構細節與穩健性。我們給出統一問題表述、網絡結構要點（Transformer-U-Net、多尺度/窗口注意力、時間步嵌入、EIM電壓映射）、快速采樣（DDIM）與電壓/電流歸一化的域泛化方案；并基于16電極、鄰近激勵/測量協議，覆蓋多相夾雜、肺形體模及實際測量，報告在PSNR/SSIM/RMSE等指標上的優于多種基線（如DHU-Net、FISTA-Net、CD-EIT）的結果與可視化對比。方法論證表明，直接條件生成與物理先驗融合兩類擴散框架可分別從數據驅動和模型驅動側提升EIT重建的分辨率與魯棒性，并可與實時成像和臨床任務（如呼吸功能監測）進一步耦合。

關鍵詞：電阻抗成像（EIT）；擴散模型；條件擴散；敏感度先驗；Transformer；DDPM/DDIM；模型驅動與數據驅動融合；域泛化

1. 引言

EIT通過測量電極邊界電壓來反演目標區域的電導率分布。傳統線性化或迭代優化方法雖能引入正則項緩解病態，但在實時性、結構邊界銳度與對噪聲/失配的魯棒性方面仍受限。深度學習方法將電壓到電導率的映射視作回歸問題，取得顯著提升，但存在對特定數據分布過擬合、泛化性弱等問題。近年興起的擴散生成模型以多階段去噪的方式逐步細化空間細節，具備更強的先驗學習與抗噪能力。本文聚焦兩類代表性思路：（i）CDEIT：以邊界電壓作為條件直接生成電導率圖像；（ii）SPfusion：以擴散模型生成非均勻敏感度先驗并與模型驅動解算融合，以彌補線性敏感度的高階信息缺失。相關工作已系統闡述CDEIT的數學建模、Transformer-U-Net骨干與電壓/電流歸一化跨域泛化策略；SPfusion從數據側展示了同/異質敏感度分布與重建質量的系統性提升證據。

圖1 擴散EIT模型架構

1. 方法

2.1 問題定義與總體框架

設二維域內電導率分布為σ，邊界電壓為U，前向算子為U=f(σ)。時差EIT中，關注ΔU與Δσ之間的非線性映射。本文從兩條路徑求解條件分布p(σ|U)：

1. 路徑A（CDEIT）：端到端條件擴散，直接采樣p(σ|U)；
2. 路徑B（SPfusion）：以擴散模型生成非均勻敏感度先驗Sinhomo，替代或補充均勻敏感度，嵌入模型驅動重建流程。

2.2 條件擴散重建（CDEIT）

1. 條件與表示： 將每次鄰近激勵產生的13個有效電壓按電極順序組織為二維EIM電壓圖，經上采樣與噪聲時步t的帶噪σ_t在通道維拼接作為網絡輸入；時間步t采用可學習嵌入注入到Transformer/Swin-Transformer塊。
2. 結構與訓練： 采用Transformer-U-Net骨干，多尺度全局注意力與窗口注意力結合；損失使用?1\ell_1?1穩定擬合；訓練階段執行前向擴散q(σ_t|σ_0)，反向由網絡預測μθ\mu_\thetaμθ?或σθ\sigma_\thetaσθ?逐步去噪。
3. 推理與加速： 采用DDIM非馬爾可夫采樣跳步反演以加速重建。
4. 域泛化： 提出電壓/電流歸一化策略，使僅以模擬數據訓練的模型可在不同背景電導率與激勵電流的實測數據上直接應用，無需再訓練。

2.3 敏感度先驗生成（SPfusion）

1. 動機： 經典同質敏感度（由Geselowitz定理計算的雅可比近似）忽略高階非線性項，難以刻畫結構與電參差異。
2. 模型： SPfusion以同質敏感度與測量電壓為條件，訓練無監督條件擴散模型生成非均勻敏感度先驗（張量維度M×N×N；M為208條測量，N為反演網格分辨率），并與模型驅動重建（如FISTA-Net等）耦合。
3. 雙域網絡： 采用DDSP-Net，在笛卡爾與極坐標雙域Transformer中提取多尺度潛表征，并以測量條件注意力充分保留長程依賴。

圖2 改進擴散神經網絡架構

2.4 數據集與實驗設置

電極/協議： 圓域16電極，鄰近激勵–鄰近測量，單次截面獲得208個電壓。

模擬數據：

• 多相夾雜：導電率范圍10?610^{-6}10?6–106?S/m10^{6}\,\text{S/m}106S/m，半徑0.02–0.08 m，1–4個不相交夾雜；總計52,430樣本（其中圓形42,430，異形10,000），按8:1:1劃分訓練/驗證/測試。
• 肺形體模：依據CT結構設定器官電導率（脂肪0.30 S/m、心臟0.50 S/m、主動脈0.60 S/m、脊柱0.09 S/m、充氣肺0.15 S/m），隨機移除肺區模擬損傷（0.165–0.285 S/m），加性白噪SNR=65 dB；訓練9,100，測試1,000。
• 實測數據： UEF2017、KTC2023公共數據以及圓域/胸型外形的外推驗證。
• 實現要點： 訓練階段單/多GPU；推理階段采用DDIM步跳采樣以兼顧速度與質量。開源實現與預訓練權重參考工具箱說明。

三、結果

1. 定量指標： 在模擬與實測場景中，CDEIT在PSNR/SSIM/CC等指標上優于結構感知雙分支與U-Net系列；SPfusion在PSNR提高、RMSE降低、SSIM提升方面相對DHU-Net、FISTA-Net、CD-EIT、DiffusionEIT與CGAN等方法表現更優，涵蓋同分布與外分布測試（胸型邊界）。相關表SI–SV與圖S13–S19展示了跨任務、跨邊界條件的廣泛對比與可視化證據。
2. 可視化分析： 非均勻敏感度先驗在中心區與結構邊界附近呈現與夾雜/肺形態更一致的敏感分布，相比同質敏感度能更好地保留輪廓曲率與邊界銳度，從而帶來更清晰的重建圖。

圖3 擴散EIT仿真與實驗結果

四、討論

1. 優勢與互補性：CDEIT通過端到端條件生成直接建模p(σ∣U)p(\sigma|U)p(σ∣U)，多步去噪細化結構細節；結合Transformer/Swin實現全局–局部依賴的高效融合，并以電壓/電流歸一化實現模擬→實測的零樣本遷移。
2. SPfusion以物理先驗增強的方式彌補線性敏感度對高階項的忽略，在模型驅動框架內提升穩定性與泛化性，對邊界形狀變化（胸型外形）更穩健。
3. 局限與改進方向：實時推理：盡管DDIM可加速，但在超高幀率場景仍需進一步的步數壓縮與蒸餾；失配魯棒性：電極接觸阻抗、幾何建模誤差等仍可能引入系統偏差；任務遷移：由成像質量到下游功能評估（如言語-呼吸相位與肺通氣功能表型）的跨任務蒸餾與多任務訓練，有望進一步提升臨床可用性。
4. 應用展望： 結合你現有的言語-呼吸功能EIT與多模態平臺，可將CDEIT的條件生成與SPfusion的先驗融合用于實時通氣分布與相位模式識別，再疊加你常用的分類指標（Accuracy、F1-macro、QWK、Log-Loss）對下游診斷任務進行評估與閉環優化（本節為建議性擴展）。

最后，歡迎通過公眾號“320科技工作室”與我們聯絡。