PINNs 在医学图像分析中的应用：综述
图像与视频处理
2024-08-05 v1 计算机视觉与模式识别
摘要
物理信息在机器学习框架中的融入正在改变医学图像分析（MIA）。通过整合基础知识和支配性物理定律，这些模型实现了更强的鲁棒性和可解释性。在本工作中，我们探索物理信息方法在 MIA（PIMIA）任务中的效用，如配准、生成、分类和重建。我们对超过 80 篇专注于 MIA 的物理信息方法论文进行了系统性文献综述。我们提出了一种统一的分类法，用于研究哪些物理知识和过程被建模、如何表示它们，以及将它们融入 MIA 模型的策略。我们深入探讨了广泛的图像分析任务，从成像、生成、预测、逆成像（超分辨率和重建）、配准，到图像分析（分割和分类）。对于每项任务，我们以表格形式全面审视并呈现核心物理引导操作、感兴趣区域（相对于人体解剖结构）、相应的成像模态、用于模型训练的数据集、所采用的深度网络架构，以及所利用的主要物理过程、方程或原理。此外，我们还引入了一种新指标，用于在不同任务和数据集上比较 PIMIA 方法的性能。基于本综述，我们总结并提炼了我们对挑战、开放研究问题和未来研究方向的见解。我们强调了 PIMIA 中的关键开放挑战，包括选择合适的物理先验和建立标准化的基准测试平台。
引用
@article{arxiv.2408.01026,
title = {PINNs for Medical Image Analysis: A Survey},
author = {Chayan Banerjee and Kien Nguyen and Olivier Salvado and Truyen Tran and Clinton Fookes},
journal= {arXiv preprint arXiv:2408.01026},
year = {2024}
}