基于物理信息神经网络的磁共振电特性重建

电特性（EP），即介电常数与电导率，决定了电磁波与生物组织之间的相互作用。EP有望作为病理表征（如癌症）的潜在生物标志物，并改善射频热疗与消融等治疗模式。基于磁共振的电特性断层成像（MR-EPT）利用MR测量重建EP图。借助齐次亥姆霍兹方程，EP可通过所测磁发射或接收场 $(B_{1}^{+}, B_{1}^{-})$ 的二阶空间导数计算直接求得。然而，导数的数值近似会放大测量中的噪声，从而导致错误的重建。近来，一种噪声鲁棒的基于监督学习的方法（DL-EPT）被引入用于EP重建。但是，此类网络的模式匹配本质使其无法泛化至新样本，因为其训练仅基于数量有限的仿真数据。本工作中，我们利用物理信息深度学习的最新进展来求解亥姆霍兹方程以进行EP重建。我们开发了受亥姆霍兹方程约束的深度神经网络（NN）算法，以有效去除 $B_{1}^{+}$ 测量中的噪声，并在任意高空间分辨率下直接重建EP，而无需任何已知的 $B_{1}^{+}$ 与EP分布配对。