Spinverse 用可微 Bloch-Torrey 模拟器从扩散 MRI 反演面渗透率，在合成网格上重建出多样微结构界面

把微结构边界重建表述为固定网格上的面渗透率反演问题，低渗透率面充当扩散屏障，因此拓扑不预先固定的边界可以在不改变网格连接与顶点位置的情况下涌现。 既有方法要么假设不可渗透边界，要么只估计体素级参数而不恢复显式界面；Spinverse 改为让每个内部面的渗透率可学习，从而在保持网格不变的前提下让界面拓扑由优化结果决定。 摘要说明该方法在固定四面体网格上以面渗透率为可学习参数，并通过对学到的渗透率场取阈值恢复界面；证据来自方法设计与合成体素网格实验，未给出具体样本量或误差数值。

通过完全可微的 Bloch-Torrey 前向模型反向传播信号匹配损失，可以直接从 dMRI 目标信号优化面渗透率。 把 dMRI 反演放进可微物理模拟器，使信号匹配损失能够穿过 PDE 前向模型回传到渗透率参数，而不是停留在体素级参数估计。 摘要明确描述“backpropagating a signal-matching loss through the PDE forward model”，属于方法层面的陈述，未报告具体重建误差指标。

针对渗透率反演的病态性使用基于网格的几何先验，并采用分阶段多序列优化课程来避免局部极小值。 把正则化与序列调度作为应对病态反演和局部极小值的显式机制，而非仅依赖单一损失优化。 摘要指出“mesh-based geometric priors”用于缓解病态性、“staged multi-sequence optimization curriculum”用于避免局部极小值，并在合成体素网格上表明序列调度与正则化对避免只出现轮廓的解很关键。

在一组合成体素网格上，Spinverse 重建出多种几何结构，并同时改善边界精度与结构有效性。 相对只给出体素级参数或假设不可渗透边界的方法，该工作展示了在合成数据上恢复显式界面并保持结构有效性的能力。 摘要称“Across a collection of synthetic voxel meshes, Spinverse reconstructs diverse geometries”，并称序列调度与正则化“improving both boundary accuracy and structural validity”；未给出具体网格数量、精度数值或对照基线。

该工作面向从 dMRI 信号恢复微结构界面的反演问题，适用于以固定四面体网格表示组织、并以 Bloch-Torrey 前向模型描述扩散的场景；其界面分辨率受环境网格分辨率限制。摘要所述验证在合成体素网格上完成，因此结果直接适用于合成数据下的方法验证，并为后续在更真实采集条件下的评估提供起点。对希望把可微物理用于微结构重建的研究者，该工作给出了面渗透率参数化、几何先验与分阶段多序列课程这一套可复用的组合。

摘要未给出合成体素网格的数量、重建误差的具体数值、与既有方法的定量对比，也未说明在噪声、真实采集或不同网格分辨率下的表现。渗透率反演本身的病态性如何随网格分辨率与序列设计变化，以及几何先验与序列课程各自贡献多少，仍是读者需要留意的开放问题。由于本次可读内容为摘要与浏览上下文，未包含正文图表与实验细节，上述量化信息无法从现有文本中确认。