我室刘东研究员等在计算成像与人工智能交叉领域取得重要进展，创新性地提出了一种物理驱动的神经网络补偿自监督学习框架，有效克服了医学电阻抗成像中长期存在的灵敏度分布不均这一核心难题。相关研究成果以“Physics-Driven Neural Compensation For Electrical Impedance Tomography”为题，在线发表于人工智能领域权威期刊IEEE Transactions on Pattern Analysis and Machine Intelligence。

在医学影像与人机交互领域，实现无创、便携的动态功能成像始终备受关注。相比体积庞大且具有辐射风险的CT，电阻抗成像通过体表电流与边界电压反演体内阻抗分布，具有实时、动态且安全的优势。然而，电阻抗成像受制于电流软场效应，其测量灵敏度随深度显著下降，并呈非线性衰减，导致深部区域信息易被噪声淹没，图像求解反问题高度不适定。如何提升深部区域的灵敏度与可辨识度，成为该领域亟待突破的核心难题。

针对这一挑战，研究团队深入剖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框架(图一)，并创新构建了灵敏度感知机制—通过基于物理先验的层级映射，使神经网络能够感知物理场中灵敏度的空间分布。该机制类似人眼的“注视”功能—在低灵敏度区域自动投入更多的表征能力进行补偿，而在高灵敏度区域施加适当约束，以有效抑制噪声。同时，研究团队提出了融合多尺度嵌入与傅里叶特征投影的混合表征方法，并配合自主设计的频率正则化策略，显著提升了神经网络在高、低灵敏度区域的重建能力与鲁棒性。

图一：物理驱动的神经网络补偿框架示意图。

在无需标签数据的条件下，该框架在仿真数据和物理实验中均实现了高保真、强鲁棒性的图像重建，显著优于现有方法。尤其在低对比度、低灵敏度的中心区域，它能够精准重建几何结构，同时展现出卓越的抗噪性能及对不同网格分辨率的泛化能力。

该成果不仅在理论上为图像重建反问题中长期存在的非均匀灵敏度难题提供了全新的“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际应用奠定了坚实基础。

我校生物医学工程学院硕士研究生王楚瑜为第一作者，刘东研究员为通讯作者。该项研究得到了国家自然科学基金等项目的资助。

论文链接：https://ieeexplore.ieee.org/document/11274537