Spinverse: 基于渗透性感知的扩散 MRI 微结构重建的可微物理
计算机视觉与模式识别
2026-03-06 v1 机器学习
定量方法
摘要
扩散 MRI (dMRI) 对微结构障碍物敏感，但大多数现有方法要么假设不可渗透的边界，要么在不恢复显式界面的情况下估计体素级参数。我们提出了 Spinverse，这是一种渗透性感知的重建方法，通过可微 Bloch-Torrey 模拟器反演 dMRI 测量。Spinverse 在固定的四面体网格上表示组织结构，并将每个内部面渗透性视为可学习的参数；低渗透性面充当扩散屏障，因此在不改变网格连通性或顶点位置的情况下，即可获得微结构边界（其拓扑最初未固定，仅受环境网格分辨率限制）。给定目标信号后，我们通过在 PDE 前向模型中反向传播信号匹配损失来优化面渗透性，并通过阈值化所学习的渗透性场来恢复界面。为缓解渗透性反演的欠定性，我们使用基于网格的几何先验；为避免局部最小值，我们采用分阶段的多序列优化课程。在一系列合成体素网格上，Spinverse 能够重建各种几何形状，并演示了序列调度和正则化对于避免仅轮廓解以及提高边界精度和结构有效性至关重要。
引用
@article{arxiv.2603.04638,
title = {Spinverse: Differentiable Physics for Permeability-Aware Microstructure Reconstruction from Diffusion MRI},
author = {Prathamesh Pradeep Khole and Mario M. Brenes and Zahra Kais Petiwala and Ehsan Mirafzali and Utkarsh Gupta and Jing-Rebecca Li and Andrada Ianus and Razvan Marinescu},
journal= {arXiv preprint arXiv:2603.04638},
year = {2026}
}
备注
10 Pages, 5 Figures, 2 Tables