Advantages of convolutional neural network compared to multilayer perceptron in electrical tomography

This article deals with the optimization of the artificial neural network (ANN) architecture in order to improve the quality of tomographic imaging. During the research, many variants of predictive models were tested, differing in the number of neurons, the number and type of layers, learning algorithm, transfer functions, overfitting prevention methods, etc. As a result of comparing the results in the form of reconstruction images obtained with reference images, the optimal architecture of the neural network was selected. Noteworthy is the original approach of training separate ANNs for each image voxel separately. As a result, the model consists of many independently trained, single-output ANNs that form a structure referred to as a multiple neural network (MNN).

---

Niniejszy artykuł dotyczy problematyki optymalizacji architektury sztucznej sieci neuronowej (SSN) w celu podniesienia jakości obrazowania tomograficznego. W trakcie badań testowano wiele wariantów modeli predykcyjnych, różniących się liczbą neuronów, liczbą i rodzajem warstw, algorytmem uczenia, funkcjami transferowymi, metodami zapobiegania przeuczeniu itp. W wyniku porównania rezultatów w postaci uzyskanych obrazów rekonstrukcyjnych z obrazami referencyjnymi wybrano optymalną architekturę sieci neuronowej. Na uwagę zasługuje oryginalne podejście polegające na trenowaniu osobnych ANN dla każdego woksela obrazu z osobna. W rezultacie model składa się z wielu niezależnie trenowanych, jednowyjściowych SSN, które tworzą strukturę określoną jako wielokrotna sieć neuronowa (WSN).

---

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).