在医学成像和人机交互领域，如何实现无创、便携的动态成像功能一直备受关注。近日，中国科学技术大学自旋磁共振实验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。他们创新性地提出了物理驱动的网络补偿自监督学习框架，有效发现了医学阻抗成像中的关键问题。相关研究成果在线发表在人工智能领域知名期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》上。与体积庞大、带有辐射风险的CT相比，电阻抗成像可以通过体表和边界电压反转体内的阻抗分布来实现成像，具有实时、动态且安全。然而电阻抗成像受电流软场效应影响，其测量灵敏度会随深度显着下降并呈现非线性衰减，导致深部区域的信息很容易被噪声饱和，逆像求解问题十分痛苦。因此，如何提高深层区域的灵敏度和识别能力成为该领域需要攻克的重大问题。针对这一挑战，中国科学技术大学研究团队广泛分析了电阻抗成像的物理机制，提出了物理驱动机制的自监督框架研究，并创新性地构建了灵敏度感知机制——通过基于物理先验的分层映射，神经网络可以感知物理场中灵敏度的空间分布。这个机制类似于“凝视”功能人眼的感知能力——它会自动在低敏感区域投入更多的表征能力来进行补偿，并对高敏感区域施加适当的约束以有效抑制干扰。同时，研究团队提出了一种结合多尺度嵌入和傅里叶特征投影的混合表示方法，并结合自行设计的频率正则化策略，显着提高了神经网络在高、低敏感区域的重构能力和稳定性。在不需要标记数据的情况下，该框架在模拟数据和物理实验中都实现了高保真和鲁棒的图像重建，这明显优于现有方法。特别是在低对比度和低灵敏度的中心区域，它可以精确地重建几何结构，同时在不同的网格分辨率下表现出良好的抗噪声性能和泛化能力。研究人员表示这一成果不仅在理论上为逆向图像重建问题中长期存在的灵敏度不均匀问题提供了新的“神经补偿”解决方案，而且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领域的实际应用奠定了坚实的基础。 （记者陈弯弯）