在醫學影像與人機交互領域，如何實現無創、便攜的動態功能成像始終備受關注。近日，中國科學技術大學自旋磁共振實驗室劉東研究員等，在計算成像與人工智能交叉領域取得重要進展，創新性提出一種物理驅動的神經網絡補償自監督學習框架，有效克服了醫學電阻抗成像中的核心難題。相關研究成果在線發表于人工智能領域知名期刊《IEEE模式分析與機器智能匯刊》。
相比體積龐大且具有輻射風險的CT，電阻抗成像可以通過體表電流與邊界電壓反演體內阻抗分布，從而實現成像，具有實時、動態且安全的優勢。然而，電阻抗成像受制于電流軟場效應，其測量靈敏度會隨深度顯著下降，并呈非線性衰減，導致深部區域信息易被噪聲淹沒，圖像求解反問題高度不適定。因此，如何提升深部區域的靈敏度與可辨識度，成為該領域亟待突破的核心難題。
針對這一挑戰，中國科大研究團隊深入剖析電阻抗成像的物理機理，提出了物理驅動神經補償的自監督學習框架，并創新構建了靈敏度感知機制——通過基于物理先驗的層級映射，使神經網絡能夠感知物理場中靈敏度的空間分布。
這種機制類似人眼的“注視”功能——在低靈敏度區域自動投入更多的表征能力進行補償，而在高靈敏度區域施加適當約束，以有效抑制干擾。同時，研究團隊提出了融合多尺度嵌入與傅里葉特征投影的混合表征方法，并配合自主設計的頻率正則化策略，顯著提升了神經網絡在高、低靈敏度區域的重建能力與魯棒性。
在無需標簽數據的條件下，該框架在仿真數據和物理實驗中均實現了高保真、強魯棒性的圖像重建，顯著優于現有方法。尤其在低對比度、低靈敏度的中心區域，它能夠精準重建幾何結構，同時展現出卓越的抗噪性能及對不同網格分辨率的泛化能力。
研究者表示，該成果不僅在理論上為圖像重建反問題中長期存在的非均勻靈敏度難題提供全新的“神經補償”解決方案，也為電阻抗成像在便攜式醫療監護、柔性電子皮膚和工業無損檢測等領域的實際應用奠定堅實基礎。
責任編輯：陸迪
