知识卡片：解剖感知神经网络——在损失与架构中编码解剖先验，以及导丝诱导的主动脉髂动脉变形的SE(3)公式
一句话结论
本文提出“解剖感知神经网络”（Anatomy-Informed Neural Networks, AINN）：软解剖先验以惩罚项加入损失，硬解剖先验通过架构和状态表示强制实现；并以导丝诱导的主动脉髂动脉变形作为有限数据下的临床测试案例。值得注意的是，本阶段尚未训练任何神经网络；运动学、损失与投影模块已验证，力学求解器仅对照自身最优性条件验证，预测位移尚未网格收敛。
事件概述或研究问题
深度学习的解剖模型可能出现“数值上看似合理、解剖上不可能”的预测，并且在数据稀缺时泛化性差。本文提出AINN来缓解该问题，并选择了一个有临床意义的有限数据场景：硬质导丝经腔内引入时，主动脉髂动脉树如何变形。摘要称这对当代主动脉外科重要，并与未来自主血管内导航相关。
方法/产品要点
- 软解剖先验：作为损失中的惩罚项。例如，若肾移植动脉从髂动脉（而非主动脉）发出，会被视为“意外”而非“不可能”。
- 硬解剖先验：在架构和状态表示中直接实现，例如血管连续性；凡是能用架构强制的地方，这类无效预测在构造上就不可能产生。
- SE(3)表示：将血管中心线和导丝路径从三维欧氏空间提升为李群SE(3)中的标架曲线。
- 力学建模：将Cosserat杆导丝与一个“受迂曲度调制、解剖锚定”的血管耦合，通过单边管腔接触不等式约束；预测结果是耦合弹性能量的约束极小值，接触力作为拉格朗日乘子。
- 监督方式：使用Wasserstein-2最优传输损失计算预测投影（通过C形臂几何）与观测血管造影之间的差异，因此2D血管造影可训练3D预测。
主要结果或产业意义
- 运动学、损失和投影均使用已知真值验证。
- 力学求解器只对照自身最优性条件验证；预测位移尚未网格收敛。
- 当前工作没有训练网络。未来工作打算把该in silico模型迁移到真实CT扫描，并测试其能否提高预测精度、减少训练数据需求（待核实）。
- 产业意义：可能支撑主动脉介入手术的术前/术中建模，以及与自主血管内导航相关的算法开发。
为什么重要
- 将“物理信息神经网络”的思路扩展为“解剖信息神经网络”：用损失惩罚表达“不太可能”，用架构强制表达“不可能”。
- 提供了一个从2D血管造影监督3D预测的可行损失设计（Wasserstein-2 + C形臂投影），有望缓解医学3D标注稀缺问题。
- 在SE(3)上建立导丝-血管耦合力学模型，为刚性导丝与血管相互作用提供几何和力学结构化的描述。
与既有脉络的关系
本条不是已有相关卡片中“最优控制深度自适应”“区间/模糊物理增强神经网络”或“Dyson-Schwinger方程求解”的延续；它的增量在于：把物理先验拓展到解剖先验，并明确区分软/硬先验；同时将接触力学与李群SE(3)表示引入医学图像建模场景。当前阶段未有网络训练，因而相关效果属于概念提出与验证准备阶段。
局限与不确定性
- 力学求解器没有用独立真值验证，只验证了自身最优性条件；预测位移尚未网格收敛。
- 没有训练神经网络，因此AINN相对普通深度学习模型的“提高精度、减少数据需求”等主张尚未被实验证实（待核实）。
- 迁移到真实CT扫描后的表现未知（待核实）。
- 摘要未说明“已知真值”的具体内容（待核实）。
可用于图书/PPT/简报的角度
- 用“解剖感知神经网络”作为PINN迁移到医学领域的一个直观例子：什么是软先验、什么是硬先验。
- 用“数值上合理但解剖上不可能”作为AI医学影像中“先验约束”重要性的引子。
- 强调“2D血管造影可以训练3D预测”的可能临床价值。
- 用SE(3)+Cosserat杆的导丝-血管建模案例，展示几何力学如何进入介入手术AI。
原始材料
- 英文标题：Anatomy-Informed Neural Networks: Encoding Anatomic Priors in Loss and Architecture, with an SE(3) Formulation of Guidewire-Induced Aortoiliac Deformation
- 英文关键词：Anatomy-informed neural networks; anatomical priors; physics-informed neural networks; SE(3); Cosserat rod; Wasserstein-2 optimal transport; endovascular navigation; aortoiliac deformation
- 原始来源：arXiv:2608.21332v1 [cs.AI] https://arxiv.org/abs/2608.21332v1
- 作者：David P. Stonko
- 发布/更新：2026-08-21
- 类别：cs.AI, cs.CV, cs.RO
- PDF：https://arxiv.org/pdf/2608.21332v1