用物理信息的神经网络进行三维热图谱

科学领域:

• 生物医学工程 生物医学工程
• 计算物理 计算物理
• 人工智能的人工智能

背景情况:

• 从表面数据准确的内部温度场重建对于非侵入性热成像至关重要,特别是在生物组织中微妙的温度梯度.
• 在温度梯度小,条件不理想的场景中出现挑战,例如噪音和背景变化.

研究的目的:

• 开发和评估一种深度学习模型,用于使用表面温度数据预测内部温度场.
• 评估模型在理想和非理想条件下的性能,包括噪音和温度变化.
• 研究物理信息约束对模型稳定性和准确性的影响.

主要方法:

• 利用3D卷积神经网络 (CNN) 进行内部温度场预测.
• 整合了基于物理的损失函数,该函数基于训练期间的热方程.
• 在模拟的噪音和各种背景温度条件下,对不同大小的幻影进行评估模型性能.

主要成果:

• 在小型幻象中,CNN的准确性很高,但在非理想的条件下,在更大的领域中,预测能力降低.
• 基于物理学的约束显著提高了模型在杂环境中的稳定性.
• 改进后的模型准确地重建了深层热点,克服了传统CNN的局限性.

结论:

• 将深度学习与物理约束相结合,为高精度温度场重建提供了一个强大的框架.
• 这种方法在具有挑战性的,非理想条件下的非侵入性热成像中特别有效.
• 该研究强调了基于物理学的神经网络在先进的热传感应用中的潜力.