基于物理信息神经网络的心脏 MRI T2 定量估计误差界分析
生物物理
2025-12-17 v1 人工智能
摘要
物理信息神经网络 (PINN) 正成为 MRI 定量参数估计的有前景的方法。虽然现有深度学习方法可以提供准确的 T2 参数定量估计，但它们仍需要大量训练数据，缺乏理论支持和公认的金标准。因此，鉴于目前没有基于 PINN 的 T2 估计方法，我们提出将 MRI 的基本物理——Bloch 方程嵌入 PINN 的损失函数中，该损失函数仅基于目标扫描数据，不需要预定义的训练数据库。进一步，通过对 T2 估计误差和 Bloch 方程解的泛化误差进行严格的上界推导，我们为评估 PINN 的定量准确性建立了理论基础。即使没有获取 ground truth 或金标准，该理论也允许我们相对于实际的 T2 定量参数估计误差。数值心脏模型和水模型中演示了 T2 映射的准确性和理论分析的有效性，其中我们的方法在心肌 T2 范围内表现出卓越的定量精度。在 94 例急性心肌梗死 (AMI) 患者中实现了临床可行性，在理论误差界内实现低误差的 T2 定量估计，凸显了 PINN 的鲁棒性和潜力。
引用
@article{arxiv.2512.14211,
title = {Error Bound Analysis of Physics-Informed Neural Networks-Driven T2 Quantification in Cardiac Magnetic Resonance Imaging},
author = {Mengxue Zhang and Qingrui Cai and Yinyin Chen and Hang Jin and Jianjun Zhou and Qiu Guo and Peijun Zhao and Zhiping Mao and Xingxing Zhang and Yuyu Xia and Xianwang Jiang and Qin Xu and Chunyan Xiong and Yirong Zhou and Chengyan Wang and Xiaobo Qu},
journal= {arXiv preprint arXiv:2512.14211},
year = {2025}
}