PINNs for Medical Image Analysis: A Survey

物理信息融入机器学习框架正在改变医学图像分析(MIA)。通过整合基础知识和掌握物理定律，这些模型实现了增强的健壮性和可解释性。在这项工作中，我们探讨了物理信息方法在MIA任务中的实用性，例如配准、生成、分类和重建。我们对80多篇关于专门用于MIA的物理信息方法的文献进行了系统的文献综述。我们提出了一个统一的分类系统，以研究建模的物理知识和过程，它们如何表示以及将它们纳入MIA模型的策略。我们深入探讨了各种图像分析任务，从成像、生成、预测、反演成像(超分辨率和重建)、配准和图像分析(分割和分类)。对于每个任务，我们彻底研究并以表格格式呈现了中心物理引导操作、感兴趣区域(关于人体解剖学)、相应的成像模态、用于模型训练的数据集、使用的深度网络架构以及主要的物理过程、方程或原理。此外，我们还介绍了一种新的度量方法，以比较PIMIA方法在不同任务和数据集上的性能。基于这个综述，我们总结和概括了我们对挑战、开放研究问题和未来研究方向的看法。我们强调了PIMIA中的关键挑战，包括选择合适的物理先验和建立标准化的基准平台。

本文试图探讨物理知识在医学图像分析中的应用，以解决医学图像分析中存在的一些问题。

本文通过将物理知识融入机器学习框架，提高了医学图像分析的稳健性和可解释性，提出了物理知识在医学图像分析中的应用方案。

本文对80多篇关于物理知识在医学图像分析中的应用进行了系统的文献综述，并提出了一个统一的分类法，详细介绍了各种图像分析任务的应用情况，包括采用的物理过程、方程或原理、感兴趣的区域、图像模态、数据集和深度网络架构等。此外，本文还引入了一个新的指标来比较不同任务和数据集上PIMIA方法的性能，并总结了PIMIA面临的挑战、未来研究方向和开放性问题。

最近的相关研究包括使用深度学习进行医学图像分析、使用传统物理模型进行医学图像分析、使用物理模型进行医学图像重建等。