用于电导率重建的物理耦合神经网络磁共振电特性断层成像

人体组织的电特性（EP）是一种有助于癌症组织早期诊断的定量生物标志物。磁共振电特性断层成像（MREPT）是一种通过MRI系统中的射频场重建EP的成像模态。MREPT通过数值求解基于麦克斯韦方程组的解析模型来重建EP。大多数MREPT方法因模型背后假设的不准确性以及/或数值误差而产生伪影。这些伪影可以通过添加系数来稳定模型而减轻，然而，此类系数的选择一直是经验性的，这限制了其医学应用。另一种方法是，基于端到端神经网络的MREPT（NN-MREPT）从训练样本中学习重建EP，绕开了麦克斯韦方程组。然而，由于其模式匹配的本质，NN-MREPT难以对新样本产生准确的重建结果。在本工作中，我们提出了一种用于MREPT的物理耦合神经网络（PCNN-MREPT），其中解析模型cr-MREPT与扩散和对流系数协同工作，这些系数由神经网络根据重建EP与真实EP之间的差异学习得到，以减少伪影。利用两个模拟数据集，我们进行了三个泛化实验（其中测试样本逐渐偏离训练样本）和一个噪声鲁棒性实验。结果表明，所提出的PCNN-MREPT比两种代表性的解析方法具有更高的精度。此外，与端到端的NN-MREPT相比，所提出的方法在两个关键的泛化测试中获得了更高的精度。这是迈向实用化MREPT医学诊断的重要一步。