Physical foundations for trustworthy medical imaging: a review for artificial intelligence researchers

近年来，由于深度学习和计算资源的快速发展，医学影像领域的人工智能取得了前所未有的增长。其应用涵盖了所有现有的医学影像模态，并且每种技术的物理特性决定了其独特属性。然而，进入该领域的AI专业人员，甚至是经验丰富的开发者，往往对医学影像获取背后的物理原理缺乏全面的理解，这限制了他们充分挖掘人工智能潜力的能力。将物理知识整合到人工智能算法中，可以增强其在医学影像中的可信度和鲁棒性，特别是在数据有限的情况下。在本文中，我们回顾了医学影像中的物理基础及其对人工智能最新进展的影响，特别是生成模型和重建算法方面。最后，我们探讨了将物理知识整合到受物理启发的机器学习模型中，这些模型利用基于物理的约束条件来提升医学影像特征的学习能力。

论文试图解决人工智能专业人员和开发者在进入医疗影像领域时，因缺乏对医学图像获取物理原理的全面理解而导致的模型性能受限问题。这是一个长期存在的问题，但随着深度学习在医疗影像中的广泛应用，其重要性日益凸显。

关键思路是将物理学知识融入人工智能算法中，特别是生成模型和重建算法。通过结合物理约束，可以增强模型的鲁棒性和可信度，尤其是在数据有限的情况下。相比现有研究，该论文强调了从物理层面优化AI模型设计的重要性，而不仅仅是依赖于大数据驱动的方法。

论文详细介绍了医学成像的基本物理原理及其对AI模型的影响，并探讨了如何利用这些知识改进生成模型和重建算法。实验部分可能涉及多种医学成像模态（如MRI、CT等），并验证了物理约束对模型性能的提升效果。此外，论文还讨论了未来的研究方向，例如开发更高效的物理启发式机器学习模型。遗憾的是，摘要中未提及具体使用的数据集或开源代码，但这仍是一个值得深入探索的领域。

近年来，相关研究包括：1) 结合物理先验知识的深度学习模型（如Physics-Informed Neural Networks, PINNs）；2) 基于变分自动编码器（VAE）和生成对抗网络（GAN）的医学图像生成与重建；3) 数据稀缺场景下的迁移学习和小样本学习方法。一些相关论文标题包括《Deep Learning for Medical Image Reconstruction: A Survey》和《Physics-Guided Deep Learning for Medical Imaging》。