本书围绕层析成像技术展开，重点聚焦于电阻及电阻/超声双模态融合的深度学习图像重建方法。在介绍了层析成像技术的重要意义及电学、多模态层析成像技术现状后，深入剖析了深度学习在图像重建中的应用进展与面临的问题。 书中详细阐述了多种创新图像重建方法，如V-Net与VD-Net图像重建方法，Landweber深度学习图像重建方法，电阻/超声双模态注意力融合图像重建方法等。通过大量仿真与实验测试，对这些方法进行了全面验证与对比分析，为多相介质分布的可视化检测提供了精准有效的技术支持。 本书适合从事层析成像技术研究的科研人员、工程师等学习，也可用作高等院校相关专业的教学用书。

第1章 绪论
1.1 层析成像技术及其意义
1.2 电学层析成像技术
1.2.1 电学层析成像技术概述
1.2.2 电学层析成像图像重建方法
1.3 多模态层析成像技术
1.3.1 多模态层析成像技术概述
1.3.2 多模态层析成像图像重建方法
1.4 层析成像技术中深度学习图像重建方法
1.4.1 深度学习方法及特点
1.4.2 深度学习在图像重建中的研究现状
1.4.3 深度学习图像重建面临的问题
1.5 本书主要思路及内容
1.5.1 主要思路
1.5.2 主要内容
第2章 层析成像基本原理与图像重建方法
2.1 电阻层析成像数学模型及研究问题
2.1.1 电阻层析成像数学模型
2.1.2 电阻层析成像研究问题
2.2 电阻层析成像图像重建常用方法
2.3 深度学习图像重建方法
2.3.1 深度学习应用于反问题的解释性
2.3.2 深度学习单模态图像重建的应用
2.3.3 深度学习多模态融合重建的实现
2.4 重建图像评价指标
2.5 多相介质分布数据库
2.5.1 样本库的基本形式及内容
2.5.2 离散气泡分布的样本建立
2.5.3 分层分布的样本建立
2.5.4 数据库中样本集的使用
2.6 本章小结
第3章 V型网络ERT图像重建方法
3.1 卷积神经网络
3.2 V-Net图像重建方法
3.2.1 重建网络构建思路
3.2.2 重建网络的训练
3.2.3 重建网络结构的选择
3.2.4 V-Net网络构建结果
3.2.5 V-Net网络抗噪性测试
3.3 VD-Net图像重建方法
3.3.1 密集连接的信息流与梯度流
3.3.2 VD-Net网络
3.3.3 VD-Net网络抗噪性测试
3.4 仿真和实验测试结果与分析
3.4.1 不同重建方法的对比
3.4.2 移动模型实验测试
3.4.3 空间分辨率实验测试
3.4.4 分层分布动态实验测试
3.5 本章小结
第4章 Landweber深度学习图像重建方法
4.1 Landweber深度学习图像重建模型
4.2 Landweber迭代重建网络
4.2.1 重建网络的训练
4.2.2 重建网络结构的选择
4.2.3 重建网络构建结果
4.2.4 重建网络抗噪性测试
4.2.5 重建网络不同电导率对比度测试
4.3 实验结果与分析
4.3.1 离散泡状分布实验测试
4.3.2 分层分布动态实验测试
4.4 本章小结
第5章 电阻/超声双模态注意力融合图像重建
5.1 双模态融合基础
5.1.1 超声波透射衰减原理
5.1.2 双模态测量信息与敏感空间
5.2 双模态信息融合方法
5.3 双分支注意力图像重建网络
5.3.1 双模态信息融合思路
5.3.2 双模态融合网络的训练
5.3.3 双模态融合策略的选择
5.4 仿真结果与分析
5.4.1 仿真重建结果
5.4.2 算法抗噪性分析
5.5 实验结果与分析
5.6 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
附录 符号对照表和缩略语说明
参考文献