我国科大提出面向电阻抗成像的物理驱动神经网络补偿结构

  在医学影像与人机交互范畴，完成无创、便携的动态功用成像一直十分重视。比较体积十分巨大且具有辐射危险的CT，电阻抗成像经过体表电流与鸿沟电压反演体内阻抗散布，具有实时、动态且安全的优势。但是，电阻抗成像受制于电流软场效应，其丈量灵敏度随深度显着下降，并呈非线性衰减，导致深部区域信息易被噪声吞没，图画求解反诘题高度不适定。怎么提高深部区域的灵敏度与可辨识度，成为该范畴亟待打破的中心难题。

  针对这一应战，研讨团队深化分析电阻抗成像的物理机理，提出了物理驱动神经补偿的自监督学习结构，并立异构建了灵敏度感知机制——经过根据物理先验的层级映射，使神经网络可以感知物理场中灵敏度的空间散布。该机制相似人眼的“凝视”功用——在低灵敏度区域主动投入更多的表征才能进行补偿，而在高灵敏度区域施加恰当束缚，以有用按捺噪声。一起，研讨团队提出了交融多标准嵌入与傅里叶特征投影的混合表征办法，并合作自主规划的频率正则化战略，显着提高了神经网络在高、低灵敏度区域的重建才能与鲁棒性。

  在无需标签数据的条件下，该结构在仿真数据和物理试验中均完成了高保真、强鲁棒性的图画重建，显着优于现有办法。尤其在低对比度、低灵敏度的中心区域，它可以精准重建几许结构，一起展现出杰出的抗噪性能及对不同网格分辨率的泛化才能。

  该效果不只在理论上为图画重建反诘题中长期存在的非均匀灵敏度难题供给了全新的“神经补偿”解决方案，也为电阻抗成像在便携式医疗监护、柔性电子皮肤和工业无损检测等实践使用奠定了坚实基础。

  我校生物医学工程学院硕士研讨生王楚瑜为榜首作者，刘东为通讯作者。该项研讨得到了国家自然科学基金等项目的赞助。