[論文レビュー] Efficient B-mode Ultrasound Image Reconstruction from Sub-sampled RF Data using Deep Learning

Yeo Hun Yoon, Shujaat Khan+2 more|arXiv (Cornell University)|Dec 17, 2017

Advanced MRI Techniques and Applications参考文献 33被引用数 4

ひとこと要約

本稿では、低ランクヘンケル行列分解にインspiredされた畳み込みニューラルネットワーク（CNN）を用いて、受信・送信（Rx-Xmit）ドメインにおける冗長性を活用することで、アンサンブルサブサンプリングRFデータからの効率的なBモード超音波画像再構成のためのディープラーニング手法を提案する。この手法は、ALOHAなどの圧縮センシング手法よりもはるかに低い計算コストで優れた画像品質を達成し、ハードウェアの変更や反復最適化を必要とせず、リアルタイム臨床応用に適した高精度再構成を可能にする。

ABSTRACT

In portable, three dimensional, and ultra-fast ultrasound imaging systems, there is an increasing demand for the reconstruction of high quality images from a limited number of radio-frequency (RF) measurements due to receiver (Rx) or transmit (Xmit) event sub-sampling. However, due to the presence of side lobe artifacts from RF sub-sampling, the standard beamformer often produces blurry images with less contrast, which are unsuitable for diagnostic purposes. Existing compressed sensing approaches often require either hardware changes or computationally expensive algorithms, but their quality improvements are limited. To address this problem, here we propose a novel deep learning approach that directly interpolates the missing RF data by utilizing redundancy in the Rx-Xmit plane. Our extensive experimental results using sub-sampled RF data from a multi-line acquisition B-mode system confirm that the proposed method can effectively reduce the data rate without sacrificing image quality.

研究の動機と目的

• ポータブル、3次元、および超高速超音波システムにおけるRFデータのサブサンプリングに起因する画像品質の低下を是正すること。
• ハードウェアの変更を要するか、計算複雑性が極めて高い圧縮センシング手法の限界を克服すること。
• 受信・送信（Rx-Xmit）ドメインにおける信号の冗長性を活用した、データ駆動型のディープラーニングアプローチを考案し、効率的なRF補間を実現すること。
• 最小限の実行時オーバーヘッドで高品質な画像を得ることで、リアルタイム臨床応用に適した性能を達成すること。
• Annihilating filterに基づく低ランクヘンケル行列法（ALOHA）と関連付けることで、理論的裏付けを有するディープラーニングフレームワークを提供すること。

提案手法

• 本手法は、受信・送信（Rx-Xmit）および受信・スキャンライン（Rx-SL）ドメインにおける空間的冗長性を活用して、直接的に欠落したRFデータを補間するための深層CNNを用いる。
• ネットワークは、低ランクヘンケル行列分解に基づく理論的洞察、特にALOHAフレームワークに裏付けられて設計されており、解釈可能性と性能を両立させる。
• 3×3畳み込みと1層あたり64フィルタを用いた28個の残差ブロックを採用することで、行列逆行列計算を回避しつつ、効率的な特徴抽出を実現する。
• 一般化を確保するため、線形アレイおよび凸アレイ両方のトランスデューサーからのサブサンプリングRFデータ上で、エンドツーエンドでモデルを学習する。
• 再構成の前にビームフォーミングを必要とせず、直接的にRx-XmitドメインのRFデータ上で処理を行う。
• 反復最適化を回避することで、ALOHAに比べて実行時計算複雑性が数桁低い。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングは、診断用画像品質を保持しつつ、超音波画像におけるサブサンプリングRFデータの補間を効果的に実行できるか？
• RQ2 提案手法の性能は、ALOHA や線形補間といった従来の圧縮センシングおよび補間手法と比較してどの程度優れているか？
• RQ3 ネットワークは、異なるトランスデューサー種別（線形アレイ対凸アレイ）およびサブサンプリング方式において、どの程度一般化できるか？
• RQ4 低ランクヘンケル行列といった信号構造に基づいた理論的根拠を有するディープラーニングモデルを設計できるか？
• RQ5 反復的圧縮センシングアルゴリズムに比べ、提案手法の計算効率はどの程度向上するか？

主な発見

• ×4 Rxサブサンプリングにおいて、サブサンプリング入力に比べ24.11%高いPSNRを達成し、線形補間に比べ19.05%高い。
• ×8 Rxサブサンプリングでは、サブサンプリング入力に比べ23.19%高いPSNRを達成し、線形補間に比べ25.93%高い。
• 4×2 Rx-Xmitサブサンプリングでは、サブサンプリング入力に比べ4.20%高いPSNRを達成し、線形補間に比べ7.19%高い。
• ×4 Rx、×8 Rx、4×2 Rx-Xmitサブサンプリングにおいて、それぞれALOHAに比べCNRが12.18%、15.65%、14.62%向上した。
• ×4 Rx、×8 Rx、4×2 Rx-Xmitサブサンプリングにおいて、それぞれALOHAに比べPSNRが0.98 dB、1.09 dB、1.05 dB向上した。
• ×4 Rx、×8 Rx、4×2 Rx-Xmitサブサンプリングにおいて、それぞれALOHAに比べSSIMが4.65%、4.94%、1.22%向上した。