av解说

av解说 魏红江发表 IEEE R-BME文章:物理模型驱动的隐式神经表示在生物医学成像中的应用
发布时间:2026-11-19 19:45:58

        近日,av解说 /磁共振诊疗高端技术国家工程研究中心的魏红江团联合上海科技大学及中国科学院深圳先进技术研究院等单位合作完成发表《Physics-Informed Implicit Neural Representations in Biomedical Tomography: Principles, Applications, and Reliability》于领域权威期刊 IEEE Reviews in Biomedical Engineering (R-BME)。论文围绕物理信息驱动的隐式神经表示(Physics-informed INR),系统阐述了其在医学断层成像中的方法原理、跨模态应用及可靠性挑战,并提出以“表示—物理—推断”(Representation–Physics–Inference)为核心的统一分析视角。进一步分析了Physics-informed INR在重建流程中真正发挥作用的条件。

一、研究背景从像素重建走向连续物理场表征

CT、MRI、超声、正电子发射断层成像(PET)、光声与光学断层成像等,均需从间接测量中反演组织结构或生物物理参数。传统方法通常在离散像素或体素网格上描述目标;当采样几何、呼吸运动、时间状态或扫描参数不断变化时,离散表征往往还需插值、重采样或重复配准。

隐式神经表示利用神经网络将空间坐标以及时间、运动、回波等状态映射到待重建的连续图像或参数场,并通过成像正向物理模型使预测信号与真实测量保持一致。其优势不能简单归结为“连续”或“超分辨”,关键在于神经场能否直接响应物理模型所需的不同坐标与状态查询。

图1 隐式神经表示的成像框架

二、核心观点表示—物理—推断三位一体

        医学图像逆问题的性能取决于三个相互耦合的环节:其一,如何表示未知图像或生物物理场;其二,如何由物理正向模型将该表示映射至测量数据;其三,如何依据测量一致性、先验约束及优化算法推断未知量。INR 的独特价值是把坐标与成像状态作为显式输入,使同一个共享神经场可以在不同采集条件下被直接查询。这也揭示了 INR 与展开网络、即插即用先验、扩散先验及深度图像先验(DIP)的差异:上述方法可侧重学习优化更新、提供图像先验或生成固定网格图像,而 INR 的核心角色是直接参数化待重建的坐标条件场;实际系统中,这些策略也可以结合。

图2 隐式神经表示的连续表达和状态查询

三、发展路线从可重建走向可靠、可推广

方向一|先验增强重建。面对稀疏采样、有限角度及低信噪比数据,仅凭测量一致性与网络隐式偏置,可能无法稳定选出正确解。论文归纳了总变差、低秩/子空间约束、个体化初始化、去噪算子及扩散生成先验等方法,用附加信息缩小解空间,同时提醒警惕训练分布偏差与细节“幻觉”。

方向二|联合重建与物理参数估计。当存在运动、采集几何、线圈灵敏度或系统校准误差时,可联合优化成像目标与未知物理变量。其价值是缓解模型失配,但若参数难以辨识,也可能发生模型误差与图像变化相互补偿的问题;更小的测量残差并不必然代表更准确的物理解释。

方向三|可扩展及高效率推断。扫描特异的 INR 往往需要对每个病例反复运行正向模型与梯度优化。论文讨论了高效坐标编码、学习式初始化、条件化与摊销推断、低秩张量分解和软硬件协同等策略,以降低三维、动态及多参数成像的计算成本。

图3 物理模型驱动的隐式神经表示扩展模型

四、跨模态应用让重建表征与测量过程更紧密耦合

        综述从 CT 的有限视角重建、MRI 的欠采样重建与运动校正,延伸到超声场重建、光声成像、PET 动态与动力学参数估计、光学断层成像等场景。不同模态对应的射线积分、傅里叶采样、声波传播或信号演化模型各不相同,但均可通过“连续场表示—正向物理映射—数据一致性优化”组织为共同的逆问题描述。对于 MRI,INR 尤其适用于非笛卡尔采样、时空动态变化、定量参数重建及运动相关采集;对于 CT、超声或 PET,其价值则取决于采集几何、波传播、动态过程等是否真正需要灵活的坐标与状态查询。论文强调不能仅依据重建图像视觉质量,推断其对组织定量和临床决策的可靠性。

五、未来展望

        这项工作为物理信息神经场在医学成像中的方法选择和可信评价提供了系统性参考。医学成像人工智能不仅要追求更高的视觉分辨率或更快重建速度,更应明确哪些信息来自测量、哪些来自模型假设,以及哪些组织参数能够获得独立验证。随着动态成像、多参数定量成像和跨设备应用不断发展,面向物理一致性、可辨识性与可扩展性的协同设计将成为值得持续探索的方向。围绕未来临床转化,论文进一步提出四项长期任务,提高正向模型保真度,验证联合参数的可辨识性,降低扫描特异推断的计算负担,以及通过独立的定量和临床评估证实所得结果可信。

参考文献

        [1] Zhang Y, Wu Q, Yu T, Tian X, Shen X, Li X, Chu J, Lao G, Le H, Du C, Li B, Wu J, Liu P, Zhang J, Zhao W, Ren W, Cai X, Zheng R, Liang D, Yu J, Liao H, Wei H. Physics-Informed Implicit Neural Representations in Biomedical Tomography: Principles, Applications, and Reliability. IEEE Reviews in Biomedical Engineering. 2026.

原文链接 DOI:10.1109/RBME.2026.3744664

课题组介绍

av解说 魏红江团队长期致力于定量磁共振成像。重点开展人工智能驱动的快速定量成像研究,致力于实现体素内多成分的精准同步定量成像和解析,通过单次扫描实现多参数、多对比度一体化成像,在脑科学研究中极具应用价值,助力实现脑疾病的精准诊疗。