基于元认知物理知识的神经网络用于参数估计

针对低信噪比扩散加权数据及缺乏真实标签的挑战，提出元认知物理信息神经网络MC-PINN。该模型通过迭代自反馈训练策略，利用合成数据增强监督学习，同时保持物理先验约束，在MR-Linac数据验证中实现鲁棒参数估计。

　　

周新祥|方增毅|黄娜|王佩|陈美华|郎敬仪

无

摘要

参数估计对于实现体素内非相干运动（IVIM）以准确洞察生物功能至关重要。然而，扩散加权（DW）数据中的信噪比（SNR）较低以及缺乏真实标签带来了重大挑战。为了解决这个问题，我们引入了一种元认知物理信息神经网络（MC-PINN）。该模型利用迭代自反馈训练策略，在使用真实标签近似值指导的合成数据进行监督学习的同时，自我评估其推导的可靠性。在使用磁共振直线加速器（MR-Linac）数据的对比实验中，MC-PINN即使在低SNR条件下也能实现稳健的参数估计。

章节摘录

引言

体素内非相干运动（IVIM）能够提供关于组织微结构和血流动态的定量信息[1]，使其成为重要的生物标志物[2,3]。IVIM利用双指数模型来分离扩散加权（DW）信号中的灌注和扩散效应，包括灌注分数（F_p）、伪扩散系数（D_p）和真实扩散系数（D_t）[1]。尽管该模型提供了全面的信息，但需要拟合复杂的

用于参数估计的经典机器学习方法

在参数估计领域，经典机器学习模型主要包括最小二乘（LS）拟合和贝叶斯估计。在高SNR条件下，LS拟合显示出显著的估计精度[12]。然而，随着SNR的降低，这种方法的估计偏差通常会增加。后来的发展，如受限LS拟合，旨在获得具有物理意义的IVIM参数[13]。尽管如此，这些模型可能无法完全缓解

理论

所提出的MC-PINN的概述如图1所示，补充伪代码A1概述了其过程。前向计算如下进行：MC-PINN将测量的DW信号$y_i$映射到IVIM参数${\hat{p}}_{0,i}$。一旦获得${\hat{p}}_{0,i}$，则通过MC-PINN在IVIM先验下进行迭代重新推导，生成${\hat{p}}_{0,i}$和${\hat{y}}_{k,i}$。MC-PINN优化两个目标：首先，物理信息先验（$L_{ft}$最小化和${\hat{y}}_{0,i}$之间的差异；然后，通过拟合

实验

所提出的MC-PINN在四个层面上进行了评估。所有处理均使用Python 3.8.18和PyTorch 2.1.1 + CUDA 12.1完成。所有计算都在配备NVIDIA GeForce RTX 4090 GPU（24 GB）、Intel Core i9 13900K CPU（5.80 GHz）和64 GB RAM的Windows 10工作站上进行。

讨论

为了提高IVIM估计的准确性，我们设计了一种新的元学习训练策略。在这种策略中，通过重新推导生成的DW信号作为带有真实标签的数据，使MC-PINN能够以监督方式学习IVIM参数估计。通过元认知学习，保持合成DW信号和测量DW信号之间IVIM参数的分布一致性。这两个组成部分作为统一优化框架的交互方面发挥作用，

结论

为了在没有真实标签的情况下提高IVIM参数估计的稳健性，我们提出了MC-PINN。该方法结合了迭代自反馈机制，并在约束过程之前利用了物理信息的固有数据特征。通过自我评估和自我优化，MC-PINN实现了IVIM参数估计的稳健性、快速推导和低部署成本。尽管MC-PINN在提高估计方面具有潜力，

代码的可用性

为了便于复制和推广，我们已将开发的代码公开在https://github.com/ZH1O/Metacognitive-learning-for-IVIM-estimation上。

伦理委员会的批准

体内数据集的获取得到了四川癌症医院医学研究和新技术伦理委员会的批准，并获得了书面知情同意（SCCHEC-02-2024-141，2024年7月24日）。

写作过程中生成式AI和AI辅助技术的声明

在准备本手稿期间，作者使用QuillBot来纠正语法错误。使用该工具后，作者根据需要审查和编辑了内容，并对出版内容负全责。

作者贡献声明

周新祥：研究、方法论、验证、可视化、写作——初稿。方增毅：概念化、形式分析、验证、可视化、写作——初稿。黄娜：数据管理、形式分析、研究、资源获取、写作——初稿。王佩：形式分析、方法论、验证、写作——审阅和编辑。陈美华：数据管理、形式分析、资金获取、研究、方法论、项目管理、写作

资助

本研究部分得到了中央高校基本研究经费（授权号ZYGX2021YGCX001）、四川省卫生健康委员会（2024-801）、成都科技局（2024-YF05-02494-SN）以及四川省医学会科学研究项目（2024HR15）的支持。

CRediT作者贡献声明

周新祥：写作——初稿、可视化、验证、方法论、研究。方增毅：写作——初稿、可视化、验证、形式分析、概念化。黄娜：写作——初稿、资源获取、研究、形式分析、数据管理。王佩：写作——审阅与编辑、验证、方法论、形式分析。陈美华：写作——审阅与编辑、项目管理、方法论、研究、资金获取

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢电子科技大学附属肿瘤医院的放射肿瘤科提供的体内数据。

我们还要感谢Enago在准备本手稿期间提供的语言帮助。

术语表

扩散加权成像（DWI）

一种磁共振成像（MRI）技术，通过施加扩散敏感梯度来检测水分子的运动，并通过值

进行量化。

体素内非相干运动（IVIM）

一种物理中的扩散加权成像模型，使用双指数函数描述扩散加权信号随b值的变化。该模型表征了组织内的水分子运动，并量化了诸如< />_t、D_p

和< />_p

等参数。

参数图

一张图像