[論文レビュー] Adaptive Ultrasound Beamforming using Deep Learning

Ben Luijten, Regev Cohen+5 more|TU/e Research Portal|Sep 23, 2019

Ultrasound Imaging and Elastography参考文献 30被引用数 4

ひとこと要約

本稿では、超音波画像法における自己適応ビームフォーミングの高速かつデータ効率の良い近似を学習する深層学習フレームワーク、ABLE（Adaptive Beamforming by Deep Learning）を提案する。最小分散ビームフォーミングの構造をニューラルネットワーク内でモデル化することで、ABLEは、計算コストを桁違いに削減しながらも、最先端の自己適応手法と同等の画像品質を達成し、アンダーサンプリングされたデータでもリアルタイムの高品質な画像化を可能にする。

ABSTRACT

Biomedical imaging is unequivocally dependent on the ability to reconstruct interpretable and high-quality images from acquired sensor data. This reconstruction process is pivotal across many applications, spanning from magnetic resonance imaging to ultrasound imaging. While advanced data-adaptive reconstruction methods can recover much higher image quality than traditional approaches, their implementation often poses a high computational burden. In ultrasound imaging, this burden is significant, especially when striving for low-cost systems, and has motivated the development of high-resolution and high-contrast adaptive beamforming methods. Here we show that deep neural networks that adopt the algorithmic structure and constraints of adaptive signal processing techniques can efficiently learn to perform fast high-quality ultrasound beamforming using very little training data. We apply our technique to two distinct ultrasound acquisition strategies (plane wave, and synthetic aperture), and demonstrate that high image quality can be maintained when measuring at low data-rates, using undersampled array designs. Beyond biomedical imaging, we expect that the proposed deep~learning based adaptive processing framework can benefit a variety of array and signal processing applications, in particular when data-efficiency and robustness are of importance.

研究の動機と目的

• 自己適応ビームフォーミングの高い計算コストが、優れた画像品質にもかかわらずリアルタイム実装を制限している問題に対処すること。
• 大規模な学習データセットを必要としない、データ効率の高い深層学習モデルを構築し、ビームフォーミングの最適なアポダイゼーション重みを学習すること。
• 低データレートおよびアンダーサンプリングされたトランスデューサアレイを用いて、リアルタイムで高コントラストな超音波画像を取得すること。
• モデルベースのニューラルネットワークを活用することで、高品質な自己適応ビームフォーマー（例：MV）と計算可能なかなめの手法（例：DAS）の間のギャップを埋めること。
• 効率的で学習可能なビームフォーミングを活用して、リソース制約のあるシステムへの自己適応信号処理の適用範囲を拡大すること。

提案手法

• 提案されたABLEネットワークは、最小分散（MV）ビームフォーミングのアルゴリズム的構造を模倣したコンactで微分可能なニューラルネットワークであり、変形なし応答やパワー正規化といった制約を組み込んでいる。
• ネットワークは、超音波アレイからの時間同期化されたRF信号を入力として、各画像ピクセルのアポダイゼーション重みを予測し、再構成損失と物理的制約を用いたバックプロパゲーションにより重みを最適化する。
• アーキテクチャは計算効率が高く、ピクセル単位で処理され、データから直接最適な重みを学習することで、高価な行列逆演算を回避する。
• 学習は、少数のチャンネルを用いた合成または実際の超音波データを用いて実施され、25%のチャンネルサブサンプリングでもデータ効率が保証される。
• 本手法は、平面波および合成アパーチャ画像法の2つの取得方式に対して評価され、異なる画像取得戦略においても堅牢性を示した。
• ネットワークは、データ適合性損失と正則化の組み合わせによりエンドツーエンドで学習され、ノイズや干渉に対するゼロ応答といった物理的制約を強制する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、計算複雑性を著しく低減させながらも、最小分散ビームフォーマーの性能を顕著に近似できるか？
• RQ2 限られたまたはアンダーサンプリングされた超音波データで学習された深層学習ベースのビームフォーマーは、どの程度高い画像品質を維持できるか？
• RQ3 本手法のモデルベースの深層学習アプローチは、従来のビームフォーミング手法（例：DAS、iMAP、CF）と比較して、分解能、コントラスト、計算コストの観点でどのように異なるか？
• RQ4 ネットワークは、平面波および合成アパーチャ画像法などの異なる超音波画像取得プロトコルに一般化できるか？
• RQ5 ノイズの高い状態でも、グレーティングローブやクラッターなどのアーチファクトを抑制しながら、強いポイントスキャッタを保持できるか？

主な発見

• ABLEは、フルアレイチャンネルの25%での学習でも、最小分散（MV）ビームフォーマーと同等の分解能およびコントラストを達成する。
• ABLEの計算コストはMVベースの手法よりも顕著に低く、アレイサイズに対して準2次関数的に増加し、行列逆演算の理論的下限 $N^2\text{log}(N)$ よりも低い。
• 25%のチャンネルサブサンプリング条件下でも、ABLEは確定的サブサンプリングよりも低SNR領域（例：スペーキル支配領域）におけるアーチファクトを低減し、空領域でのクラッター抑制が優れている。
• ランダムサブサンプリングは側 lobes を広げるが、確定的サブサンプリングよりもノイズおよびクラッターの抑制が優れており、全体的なコントラストが向上する。
• 低データレート下でも、強いポイントスキャッタ（例：ステント）の可視性が高く保たれるため、血管内超音波（IVUS）画像診断などの臨床的応用に適している。
• IVUS画像診断において、25%および50%サブサンプリングデータからの2段階のABLE再構成により、シミュレートおよび生体内での冠動脈構造が高忠実度で回復された。