Biophysics-informed deep operator learning for inverse problems with application to electrophysiological source reconstruction

技术摘要：基于生物物理信息的深度算子学习用于逆问题研究

问题陈述
电生理源重建，特别是脑磁图（MEG）中的源重建，是一个高度病态的逆问题。它涉及从间接且含有噪声的磁场测量值（传感器信号）中推断神经活动（源信号）的空间分布。标准方法依赖于基于生物物理原理（麦克斯韦方程组、头部解剖结构）构建前向模型，随后进行正则化最小二乘重建。然而，这些线性方法往往缺乏空间精度，尤其是在低信噪比（SNR）设置下，这是由于其建模假设过于简化所致。相反，深度学习方法虽展现出潜力，但往往未能显式地纳入生成数据的生物物理原理。这种缺失导致了数据效率低下以及在不同受试者间的泛化能力差，因为网络必须仅通过合成训练对来隐式学习复杂的机制关系。此外，现有的物理信息神经网络（PINNs）通常通过损失函数惩罚项来编码物理约束，而非将传感机制直接嵌入架构中，并且在处理前向模型的样本特异性变化时表现挣扎。

方法论：DeepOp-Informed
作者引入了 DeepOp-Informed，一种基于生物物理信息的几何深度算子学习框架，旨在学习一个重建算子 $R_{K,\theta}: \mathbb{R}^s \to \mathbb{R}^p$，该算子将传感器空间映射到源空间。该架构通过一个自定义的可微层，显式地以用户提供的前向模型 $K$（编码了从源到传感器的生物物理映射）为条件进行构建。该框架由两个端到端训练的主要模块组成：

1. 生物物理信息层 ($B_{\theta_1, \tilde{K}}$)：
   该层通过结合机制知识与学习到的正则化项来产生初始重建。受经验贝叶斯方法及联合高斯假设下条件期望的启发，该层求解如下正则化逆问题：
   $$B_{\theta_1, \tilde{K}}(y) = \arg\min_{x} \left( \|y - \tilde{K}x\|_2^2 + \|P_{\theta_1}^{1/2}x\|_2^2 \right)$$
   此处，$\tilde{K}$ 是一个代理前向模型，$P_{\theta_1}$ 是一个可学习的稀疏矩阵，其参数化为皮层网格上拉普拉斯-贝尔特拉米算子（$\Delta$）幂次的线性组合。这种形式化使该层能够作为一个非局部线性滤波器，在学习数据驱动的先验协方差结构的同时，解开由前向模型引入的混合过程。该层的输出是皮层网格上的源信号初步估计。

2. 几何深度学习精细化模块 ($F_{\theta_2}$)：
   初始估计通过一个图神经网络（具体为 Graph U-Net）进行精细化，该模块利用皮层表面的几何结构（表示为顶点和边的图）来捕捉非线性空间依赖关系，并产生最终的源重建。

该模型在合成三元组 $(y_i, x_i, \tilde{K}_i)$ 上进行训练，以最小化重建源与真实值之间的均方误差。至关重要的是，前向模型 $K$ 作为每个样本的输入提供给网络，这使得同一套学习参数 $\theta$ 可以在无需重新训练的情况下，应用于具有不同头部几何形状和传感器配置的不同受试者。

核心贡献

• 架构： 一种新型深度算子学习框架，通过可微层将传感过程的生物物理特性直接嵌入网络，而非仅仅依赖损失函数惩罚或隐式学习。
• 受试者特异性自适应： 通过以 $K$ 为条件来处理样本特异性的前向模型变化（由于解剖结构和传感器位置引起），从而实现跨受试者的泛化，无需重新训练。
• 数据效率： 通过结合机制信息，该模型能够比需要海量数据来逼近逆映射的全数据驱动方法更有效地从精选的合成数据集中学到知识。
• 泛化性： 该框架被构造成一种通用的算子学习方法，适用于包括 MEG 在内的各种逆问题，包括其他成像模态。

结果
作者在两种主要设置下评估了 DeepOp-Informed 的性能：

1. 现实 MEG 模拟：

   • 使用基于 19 名青少年受试者前向模型生成的合成数据，并在留出的受试者上测试了该模型。
   • 性能： 与包括经典方法（MNE, dSPM, sLORETA, eLORETA, LCMV）和神经网络基准（MLP, GraphU, Unrolled networks, GraphUBP）在内的九种基准方法相比，DeepOp-Informed 实现了重建误差的三倍降低。
   • 泛化能力： 模型成功泛化到了训练期间未见过的受试者的前向模型。
   • 鲁棒性： 模型在面对错误或扰动的前向模型时仍保持了优越的性能，尽管当扰动较大时性能会下降，尤其是在高信噪比（SNR）机制下。

2. 真实 MEG 录制（青少年听觉诱发响应）：

   • 应用于包含三音节伪词的听觉实验 MEG 数据。
   • 定位： DeepOp-Informed 产生了符合解剖学逻辑的重建，定位于听觉皮层，这与已知的功能组织一致。
   • 对比： 虽然经典方法识别出了听觉皮层，但它们的激活图更为弥散，且似乎是由靠近传感器的物理距离驱动的。DeepOp-Informed 则产生了更尖锐、更局部的激活模式。
   • 训练效率： 该模型仅使用 200 个训练样本即可产生合理的重建结果。

意义与主张
论文声称 DeepOp-Informed 通过弥合机制性生物物理建模与深度学习之间的鸿沟，在解决病态逆问题方面代表了重大进展。作者强调，通过将信号生成的物理过程显式嵌入架构中，该方法提高了数据效率和泛化能力。与传统的 PINNs 通过增加损失函数来增强不同之处在于，本方法将前向模型作为结构组件集成，使其能够适应受试者特异性的物理特性。该框架被呈现为一种通用的源重建和图像重建任务范式，其中传感器层级的数据是可用的，这可能扩展到 MRI、CT 和 PET 等领域。作者指出，虽然应用重点是 MEG，但其底层的算子学习框架是模态无关的。他们也谦虚地建议，未来的工作可以探索将头部运动效应纳入合成数据中，并利用体模（phantom）数据进行验证，以将真实知识迁移至人类受试者。