EIT Reconstruction Framework

统一的电阻抗层析成像(EIT)重建框架，支持多种重建方法。

快速开始

python==3.10/11/12

安装依赖

训练模型

CNN 方法

python main.py train --method cnn --num_epochs 200 --result_dir cnn --batch_size 128

Diffusion 方法

python main.py train --method diffusion --num_epochs 200 --result_dir diffusion --batch_size 128

推理

CNN 方法

python main.py inference --method cnn --num_epochs 200 --result_dir cnn --batch_size 128

Diffusion 方法

python main.py inference --method diffusion --num_epochs 200 --result_dir diffusion --batch_size 128

项目结构

.
├── src/                       # 源代码目录
│   ├── core/                  # 核心模块
│   │   ├── base.py            # 基础重建方法类
│   │   ├── data_loader.py     # 数据加载
│   │   ├── evaluator.py       # 评估指标
│   │   ├── trainer.py         # 训练器
│   │   └── config.py          # 配置管理
│   ├── methods/               # 重建方法实现
│   │   ├── cnn/               # CNN 方法（UNet）
│   │   ├── diffusion/         # Diffusion 方法（DiT）
│   │   └── traditional/       # 传统方法（Tikhonov）
│   ├── utils/                 # 工具函数
│   ├── datasets/              # 数据集
│   ├── configs/               # 配置文件
│   ├── train.py               # 训练脚本
│   ├── inference.py           # 推理脚本
│   └── ktc_methods/           # KTC 官方代码
├── data/                      # 数据目录
│   ├── train/                 # 训练数据
│   ├── valid/                 # 验证数据
│   ├── test/                  # 测试数据
│   ├── test2017/              # 2017 真实数据
│   └── test2023/              # 2023 真实数据
├── results/                   # 结果保存目录
├── main.py                    # 入口脚本（可选）
├── test_framework.py          # 测试脚本
├── README.md                  # 本文件
├── EXAMPLES.md                # 使用示例
├── ARCHITECTURE.md            # 架构设计
└── REFACTORING_PLAN.md        # 重构计划

支持的方法

1. CNN (UNet)

基于 UNet 架构的卷积神经网络方法

• 配置文件: src/configs/cnn_config.yaml
• 特点: 快速训练，实时推理

2. Diffusion (DiT)

基于扩散模型的 DiT (Diffusion Transformer) 方法

• 配置文件: src/configs/diffusion_config.yaml
• 特点: 高质量重建，来自 CDEIT 论文
• 参考: CDEIT GitHub

3. Traditional (Tikhonov)

传统 Tikhonov 正则化方法

• 配置文件: src/configs/traditional_config.yaml
• 特点: 无需训练，直接推理

配置文件说明

所有配置文件位于 src/configs/ 目录下：

基础配置 (base_config.yaml)

• 数据配置: data_dir, batch_size, num_workers
• 训练配置: num_epochs, device
• 优化器配置: type (adam/sgd), lr, weight_decay
• 调度器配置: type (reduce_on_plateau/step)

CNN 配置 (cnn_config.yaml)

• 模型配置:
  • input_channels: 输入通道数
  • output_channels: 输出通道数
  • base_channels: 基础通道数
  • num_layers: U-Net 层数
  • dropout: Dropout 率

Diffusion 配置 (diffusion_config.yaml)

• 模型配置:
  • input_size: 输入图像大小
  • patch_size: Patch 大小
  • hidden_size: 隐藏层维度
  • num_heads: 注意力头数
• Diffusion 参数:
  • num_timesteps: 扩散步数
  • beta_schedule: 噪声调度
• 推理配置:
  • num_sampling_steps: DDIM 采样步数

命令行参数

训练参数

• --method: 方法类型 (cnn/diffusion/traditional)
• --config: 配置文件路径
• --data_dir: 数据目录
• --num_epochs: 训练轮数
• --batch_size: 批次大小
• --lr: 学习率
• --device: 设备 (cuda/cpu)
• --result_dir: 结果保存目录
• --resume: 恢复训练的检查点路径

推理参数

• --method: 方法类型
• --checkpoint: 模型检查点路径
• --dataset: 数据集 (test/test2017/test2023)
• --output_dir: 输出目录
• --save_mat: 保存为 .mat 格式
• --save_images: 保存为 .png 格式

数据格式

训练/验证/测试数据

• 格式: MATLAB .mat 文件
• 包含字段:
  • measurements: 测量电压数据
  • conductivity: 真实电导率图像

真实数据 (2017/2023)

• 格式: MATLAB .mat 文件
• 包含字段:
  • measurements: 测量电压数据

评估指标

框架自动计算以下指标：

• MSE (Mean Squared Error)
• MAE (Mean Absolute Error)
• PSNR (Peak Signal-to-Noise Ratio)
• SSIM (Structural Similarity Index)
• Relative Error

输出结果

训练结果保存在 results/{method_name}_{timestamp}/:

• config.json: 训练配置
• best_model.pth: 最佳模型
• checkpoint_epoch_*.pth: 定期检查点
• history.json: 训练历史
• training_curves.png: 训练曲线图

推理结果保存在指定的 output_dir:

• reconstruction_*.mat: 重建结果 (.mat 格式)
• reconstruction_*.png: 重建结果可视化
• metrics.json: 评估指标

扩展新方法

1. 在 src/methods/ 下创建新方法目录
2. 实现继承自 BaseReconstructionMethod 的方法类
3. 实现必需的抽象方法:
   • _build_model()
   • train_step()
   • val_step()
   • inference()
4. 在 src/methods/__init__.py 中注册新方法
5. 创建对应的配置文件

引用

如果使用了 Diffusion 方法，请引用 CDEIT 论文：

[待补充]

License

[待补充]