La imagen dinámica del pulmón es una aplicación importante de la Tomografía de Impedancia Eléctrica (EIT) debido a la excepcional resolución temporal de la EIT, bajo costo y ausencia de radiación. Sin embargo, la EIT carece de resolución espacial y la reconstrucción de la imagen es muy sensible a las discrepancias entre las geometrías del objeto real y del dominio de reconstrucción, así como al ruido de la señal. La naturaleza no lineal del problema de reconstrucción también puede ser una preocupación, dado que los cambios significativos de conductividad de los pulmones debido a la inhalación y exhalación. En este artículo, un método de momento recientemente introducido se combina con un enfoque de aprendizaje bayesiano escaso para abordar el problema de no linealidad, proporcionar robustez al problema de reconstrucción y reducir los artefactos de imagen. Para evaluar la metodología propuesta, construimos tres estructuras torácicas 3D variantes en el tiempo basadas en CT que incluyen los tejidos torácicos básicos y consideran 5 estados respiratorios diferentes, desde la espiración hasta la inspiración completa. El algoritmo de reconstrucción de consenso de Graz para EIT (GREIT), el coeficiente de correlación (), el error cuadrático medio () y las métricas de referencia completa () se aplican para la evaluación de la calidad de la imagen. La comparación cualitativa y cuantitativa con técnicas de reconstrucción tradicionales y más avanzadas revela que el método propuesto muestra un rendimiento mejorado en la mayoría de los casos y métricas. Finalmente, el enfoque se aplica a datos in vivo en línea de una sola respiración para verificar cualitativamente su aplicabilidad.