[論文レビュー] Universal Deep Beamformer for Variable Rate Ultrasound Imaging

Shujaat Khan, Jaeyoung Huh+1 more|arXiv (Cornell University)|Jan 7, 2019

Ultrasound Imaging and Elastography参考文献 46被引用数 10

ひとこと要約

本稿では、多様なアパーチャーおよびチャネル設定下で可変レートの部分サンプリングRFデータから高品質なBモード超音波画像を再構築する、エンド・トゥ・エンドのディープラーニングを活用したユニバーサルなディープビームフォーマーを提案する。信号モデルに依存せずにデータのみで訓練された本手法は、全データの6.25％にまで低減した部分サンプリング率でも、フォーム・フォーム・アダプティブ・ビームフォーマーを凌駕する優れた画像品質—特にコントラストと分解能—を達成しており、フォーム・フォームおよび臨床的被検体研究の両方で優れた性能を示した。

ABSTRACT

Ultrasound (US) imaging is based on the time-reversal principle, in which individual channel RF measurements are back-propagated and accumulated to form an image after applying specific delays. While this time reversal is usually implemented as a delay-and-sum (DAS) beamformer, the image quality quickly degrades as the number of measurement channels decreases. To address this problem, various types of adaptive beamforming techniques have been proposed using predefined models of the signals. However, the performance of these adaptive beamforming approaches degrade when the underlying model is not sufficiently accurate. Here, we demonstrate for the first time that a single universal deep beamformer trained using a purely data-driven way can generate significantly improved images over widely varying aperture and channel subsampling patterns. In particular, we design an end-to-end deep learning framework that can directly process sub-sampled RF data acquired at different subsampling rate and detector configuration to generate high quality ultrasound images using a single beamformer. Experimental results using B-mode focused ultrasound confirm the efficacy of the proposed methods.

研究の動機と目的

• 超音波画像における受信チャネル数の減少および部分サンプリングによって引き起こされる画像品質の低下を是正すること。
• 正確な信号仮定に依存するモデルベースのアダプティブ・ビームフォーマーの限界を克服し、疎なまたは非一様なサンプリング条件下でも性能を維持すること。
• 再トレーニングを必要とせず、多様な部分サンプリングパターンおよび検出器構成に一般化可能な、単一のユニバーサルなディープラーニングモデルの開発。
• 事前信号モデルの知識なしに、生のRFデータのみを用いてコントラスト、分解能、ダイナミックレンジを向上させること。

提案手法

• 本手法は、完全にサンプリングされたRFデータ上でトレーニングされたエンド・トゥ・エンドの畳み込みニューラルネットワーク（CNN）を採用し、部分サンプリングRF入力から高品質なBモード画像へのマッピングを学習する。
• ネットワークアーキテクチャは、RFドメインにおける空間的および時間的冗長性を活用することで、可変な部分サンプリングレートおよび構成を処理できるように設計されている。
• 再構築誤差を最小化するとともに、構造的およびダイナミックレンジの詳細を保持するための損失関数を用い、コントラストと分解能を強化する。
• 一般化を確保するため、ランダムおよびスパースな構成を含む多様な部分サンプリングパターンを用いてモデルをトレーニングした。
• 深さ依存の変動に強くするために、隣接する深さ平面を平均化するマルチ・デプス入力戦略を採用した。
• トレーニング後、1深度平面あたり約9.8 msの再構築時間でリアルタイム再構築が可能となり、臨床的超音波システムに適している。

実験結果

リサーチクエスチョン

• RQ1 1つのディープラーニングモデルが、超音波画像における広範な部分サンプリングレートおよび検出器構成に一般化可能か？
• RQ2 完全にデータ駆動型のディープビームフォーマーが、極めて部分サンプリングされた条件下でも、従来のDASおよびアダプティブ・ビームフォーマーを上回る画像品質を達成できるか？
• RQ3 ディープニューラルネットワークが、信号モデルの事前知識なしに、どの程度超分解能効果を達成できるか？
• RQ4 部分サンプリング要因が異なる場合、特に低データレートでのディープビームフォーマーの性能はどのように変化するか？
• RQ5 異なる深さおよび部分サンプリングパターンにおいて、軸方向分解能を保持しつつ、横方向分解能を顕著に向上できるか？

主な発見

• 提案されたディープビームフォーマーは、フォーム・フォームおよび臨床的被検体両方のデータにおいて、全部分サンプリングスケームで標準DASビームフォーマーを顕著に上回り、CNR、GCNR、PSNR、SSIMの各指標で向上を示した。
• 6.25％のRFデータ量でさえも、極端な部分サンプリングに対して高い画像品質を維持しており、高いロバストネスを示した。
• DeepBF画像の横方向分解能は、完全サンプリングDAS画像を上回っており、学習されたデータの冗長性に起因する超分解能効果が確認された。
• 部分サンプリング要因に関わらず、強度プロファイルのずれが最小限に抑えられ、軸方向分解能に劣化が認められなかった。
• 平均再構築時間は1深度平面あたり約9.8 msであり、リアルタイム画像再構築の可能性を示した。
• 再トレーニングを必要とせず、多様な部分サンプリングパターンに一般化可能であったため、モデルのユニバーサル性とロバストネスが確認された。