[논문 리뷰] Phase Aberration Robust Beamformer for Planewave US Using Self-Supervised Learning

Shujaat Khan, Jaeyoung Huh외 1명|arXiv (Cornell University)|2022. 02. 16.

Ultrasound Imaging and Elastography인용 수 4

한 줄 요약

이 논문은 지도 학습이 필요 없는 자기지도 학습 3D 컨볼루션 네트워크 기반 빔포머를 제안하여 평면파 초음파 영상에서 위상 비일치성 잡음 문제를 완화한다. 이 방법은 실제 음속(SoS) 지도가 없이 위상 비일치성 입력에서 고품질 영상을 재구성하도록 학습한다. SoS 변화를 확률적 왜곡으로 모델링하여 학습함으로써, 측정 손실 및 깊은 스캔 잡음에 대해 뛰어난 영상 품질과 강건성을 확보하였으며, 계산 비용이 유사한 기존의 빔포밍 및 SVD 기반 방법보다도 뛰어난 성능을 보였다.

ABSTRACT

Ultrasound (US) is widely used for clinical imaging applications thanks to its real-time and non-invasive nature. However, its lesion detectability is often limited in many applications due to the phase aberration artefact caused by variations in the speed of sound (SoS) within body parts. To address this, here we propose a novel self-supervised 3D CNN that enables phase aberration robust plane-wave imaging. Instead of aiming at estimating the SoS distribution as in conventional methods, our approach is unique in that the network is trained in a self-supervised manner to robustly generate a high-quality image from various phase aberrated images by modeling the variation in the speed of sound as stochastic. Experimental results using real measurements from tissue-mimicking phantom and extit{in vivo} scans confirmed that the proposed method can significantly reduce the phase aberration artifacts and improve the visual quality of deep scans.

연구 동기 및 목표

• 조직 특성에 따른 음속(SoS) 변화로 인한 평면파 초음파 영상에서의 위상 비일치성 문제를 해결하기 위해.
• 명시적인 SoS 추정 또는 반복 최적화가 필요 없는 실시간, 데이터 기반 빔포밍 방법을 개발하기 위해.
• 위상 비일치성이 대조 및 해상도를 심각하게 떨어뜨리는 깊은 스캔 영역에서의 영상 품질을 향상시키기 위해.
• 측정 손실이 발생하는 실세계 조건과 함께 감소된 평면파 획득(예: 15 PWIs) 상황에서도 강건한 성능을 확보하기 위해.
• 기본 지연-합산 빔포밍과 유사한 계산 비용을 유지하면서도 SVD 기반 방법을 초월하는 계산 효율성을 확보하기 위해.

제안 방법

• 모의 위상 비일치성 평면파 영상 데이터를 입력으로 사용하여 자기지도 학습 방식으로 3D 컨volutional 신경망(CNN)을 학습한다.
• 실제 SoS 지도가 필요 없이 SoS 변화를 확률적 왜곡으로 간주하여 고품질 B모드 영상 재구성 능력을 학습한다.
• 학습 데이터는 모의 평면파 획득 과정에서 SoS를 1540 m/s 기준으로 ±5% 범위 내에서 무작위로 변화시켜 생성한다.
• 구조적 세부 정보와 대trast 세부 정보를 유지하기 위해 인지적 손실 함수를 사용하여 네트워크를 종합적으로 최적화한다.
• 다중 평면파 전송의 원시 RF 데이터에 직접 작용하며, 학습된 미분 가능 방식으로 일관된 복합 처리를 수행한다.
• 저연산 부하 설계를 통해 실시간 추론이 가능하게 하였으며, 표준 CPC와 유사한 지연 시간을 확보하였다.

실험 결과

연구 질문

• RQ1 지상 진짜 SoS 지도가 없이도 자기지도 학습 딥러닝 접근이 평면파 초음파 영상에서 위상 비일치성 잡음을 효과적으로 감소시킬 수 있는가?
• RQ2 감소된 평면파 획득(예: 15 PWIs) 조건에서 제안된 방법이 기존 방법 및 SVD 기반 빔포머와 비교해 어떻게 성능을 내는가?
• RQ3 SoS 변화가 가장 두드러지는 깊은 스캔 영역에서 이 방법이 영상 품질을 얼마나 향상시키는가?
• RQ4 알 수 없는 SoS 분포를 가진 실제 생체 및 펌프 펌프 측정에 대해 이 방법이 일반화 가능한가?
• RQ5 제안된 방법의 계산 비용은 실시간 초고속 초음파 영상 촬영과 호환 가능한가?

주요 결과

• 15개 평면파에서 표준 일관성 평면파 복합 처리(CPC) 대비 대비비율(CR)은 0.85 dB 향상되었고, 대비 대 노이즈 비율(CNR)은 0.04 높아졌다.
• 15개 평면파에서 SVD 기반 빔포밍 대비 GCNR는 0.05 단위 향상되었으며, p-value < 10⁻³로 통계적으로 유의미했다.
• 단지 15개 평면파로도 높은 영상 품질을 유지하여, 31개 평면파를 사용한 SVD-BF와 유사한 성능을 달성했다.
• 15개 평면파 기준 계산 지연 시간은 47.74 ms로, SVD-BF(22.56초)보다 훨씬 낮아 실시간 사용에 적합했다.
• 20 mm 조직 층이 있는 돼지 펌프 펌프 스캔에서, CPC 영상에서 사라진 저-과도성 및 고-과도성 구조가 제안된 방법에 의해 복원되었다.
• 생체 내 스캔 결과, 위상 비일치성 잡음이 크게 감소하고 특히 깊은 조직 영역에서의 구조적 세부 정보가 향상됨을 확인하였다.