Reconstrucción de imágenes tomográficas mediante Machine Learning

Los procesos de tomografía utilizan un conjunto de informaciones externas a un cuerpo para inferir la forma o composición de los mismos a través de algoritmos de reconstrucción que resuelven un problema inverso. En el caso de EIT (Electrical Impedance Tomography) se aplican una serie de corrientes eléctricas alternas, midiendo las corrientes obtenidas en el resto de las placas del detector. Usando dichas medidas, se ajustan las propiedades del volumen studiado para obtener las salidas a partir de las entradas introducidas. Este ajuste da lugar a una imagen del volumen (realmente de las propiedades estudiadas en el volumen de interés, como la capacidad o la conductividad eléctrica). Para obtener esta imagen, se modela el detector utilizado y se resuelve el modelo físico correspondiente de forma iterativa, variando las propiedades en cada punto hasta alcanzar una convergencia de la solución. Este trabajo es computacionalmente muy intenso por lo que se suelen utilizar simplificaciones que permiten acelerarlo. Recientemente se han propuesto soluciones basadas en Machine Learning para la obtención de las imágenes directamente a través de los datos experimentales. Continuando en esa línea, en este trabajo profundizamos en el empleo de modelos basados en redes neuronales con el objetivo de desarrollar técnicas que puedan ser utilizadas en procesos industriales para el cálculo rápido y preciso de gradientes de humedad en productos como la madera.

keywords: