[논문 리뷰] Universal Deep Beamformer for Variable Rate Ultrasound Imaging

Shujaat Khan, Jaeyoung Huh외 1명|arXiv (Cornell University)|2019. 01. 07.

Ultrasound Imaging and Elastography참고 문헌 46인용 수 10

한 줄 요약

이 논문은 다양한 아포지트 및 채널 구성에서 변동하는 속도로 서브샘플링된 RF 데이터로부터 고품질 B모드 초음파 영상을 재구성하기 위해 엔드 투 엔드 딥 러닝을 활용하는 유니버설 딥 비임포머를 제안한다. 사전 신호 모델이 없는 순수 데이터 기반으로 훈련되어, 특히 대비와 해상도 측면에서 모든 서브샘플링 비율에서 뛰어난 영상 품질을 달성하며, 전체 데이터의 6.25%에 이르는 매우 낮은 비율에서도 표준 DAS 및 적응형 비임포머를 뛰어넘는 성능을 보였다. 이는 펌프 및 인바이보 연구 모두에서 입증되었다.

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.

연구 동기 및 목표

• 초음파 영상에서 수신 채널 수 감소 및 서브샘플링으로 인한 영상 품질 열화 문제를 해결하기 위해.
• 정확한 신호 가정이 필요한 모델 기반 적응형 비임포머의 한계를 극복하기 위해.
• 재훈련 없이 다양한 서브샘플링 패턴과 검출기 구성에 일반화되는 단일 유니버설 딥 러닝 모델을 개발하기 위해.
• 기본 신호 모델에 대한 사전 지식 없이도 순수한 원시 RF 데이터만을 사용하여 영상 대비, 해상도 및 다이내믹 레인지 향상을 달성하기 위해.

제안 방법

• 이 방법은 완전히 샘플링된 RF 데이터로 훈련된 엔드 투 엔드 컨volution 신경망(CNN)을 활용하여 서브샘플링된 RF 입력에서 고품질 B모드 영상으로의 매핑을 학습한다.
• RF 도메인 내 공간적 및 시간적 부족함을 활용하여 다양한 서브샘플링 비율과 구성에 대응할 수 있도록 네트워크 아키텍처를 설계한다.
• 재구성 오차를 최소화하면서도 구조적 세부사항과 다이내믹 레인지 정보를 유지하기 위해, 대비와 해상도를 향상시키는 손실 함수를 사용하는 훈련 목표를 설정한다.
• 일반화를 보장하기 위해 랜덤 및 희박한 구성 포함 다양한 서브샘플링 패턴 세트를 기반으로 모델을 훈련한다.
• 다양한 깊이에 따른 변화에 강건성을 확보하기 위해, 인접한 깊이 평면을 평균화하는 다중깊이 입력 전략을 사용한다.
• 훈련 후 모델은 깊이 평면당 약 9.8ms 내외로 실시간 재구성 기능을 제공하여 임상 초음파 시스템에 적합하다.

실험 결과

연구 질문

• RQ1 초음파 영상에서 다양한 서브샘플링 비율과 검출기 구성에 대해 단일 딥 러닝 모델이 일반화 가능한가?
• RQ2 엄격한 서브샘플링 조건에서도 순수 데이터 기반 딥 비임포머가 전통적 DAS 및 적응형 비임포머보다 영상 품질에서 뛰어나게 되는가?
• RQ3 사전 신호 모델링 없이 딥 네트워크가 초음파 영상에서 슈퍼레졸루션 효과를 어느 정도 달성할 수 있는가?
• RQ4 특히 낮은 데이터 비율에서 딥 비임포머의 성능이 다양한 서브샘플링 인자에 따라 어떻게 변화하는가?
• RQ5 다양한 깊이 및 서브샘플링 패턴에서 축 방향 해상도를 유지하면서 횡 방향 해상도를 크게 향상시킬 수 있는가?

주요 결과

• 제안된 딥 비임포머는 모든 서브샘플링 방식에서 표준 DAS 비임포머를 뛰어넘었으며, 펌프 및 인바이보 데이터 모두에서 CNR, GCNR, PSNR 및 SSIM 향상을 보였다.
• 전체 RF 데이터의 6.25%에서도 높은 영상 품질을 달성하여 극한의 서브샘플링에 대한 강건성을 입증했다.
• 딥비임포머 영상의 횡 방향 해상도는 전체 샘플링된 DAS 영상의 해상도를 초월했으며, 학습된 데이터의 부족함으로 인한 슈퍼레졸루션 효과를 나타냈다.
• 서브샘플링 인자에 관계없이 축 방향 해상도가 안정적으로 유지되었으며, 강도 프로파일에서 최소한의 이동이 관찰되어 축 방향 해상도 향상에 문제가 없음을 시사했다.
• 평균 재구성 시간은 깊이 평면당 약 9.8ms였으며, 실시간 영상 촬영 가능성을 보였다.
• 재훈련 없이 다양한 서브샘플링 패턴에 일반화되었으며, 이는 모델의 유니버설성과 강건성을 확인한다.