[论文解读] Learning beamforming in ultrasound imaging

Sanketh Vedula, Ortal Senouf+4 more|arXiv (Cornell University)|Dec 19, 2018

Ultrasound Imaging and Elastography参考文献 8被引用 6

一句话总结

本文提出了一种端到端可微的深度学习框架，通过联合优化超声成像中的发射波束成形和接收波束成形，实现图像质量的显著提升，尤其在测量数据减少的高帧率成像设置下表现优异。

ABSTRACT

Medical ultrasound (US) is a widespread imaging modality owing its popularity to cost efficiency, portability, speed, and lack of harmful ionizing radiation. In this paper, we demonstrate that replacing the traditional ultrasound processing pipeline with a data-driven, learnable counterpart leads to significant improvement in image quality. Moreover, we demonstrate that greater improvement can be achieved through a learning-based design of the transmitted beam patterns simultaneously with learning an image reconstruction pipeline. We evaluate our method on an in-vivo first-harmonic cardiac ultrasound dataset acquired from volunteers and demonstrate the significance of the learned pipeline and transmit beam patterns on the image quality when compared to standard transmit and receive beamformers used in high frame-rate US imaging. We believe that the presented methodology provides a fundamentally different perspective on the classical problem of ultrasound beam pattern design.

研究动机与目标

• 通过学习最优发射波束成形来解决高帧率超声成像中帧率与图像质量之间的权衡问题。
• 克服传统波束成形流程中发射与接收阶段被视为固定或独立优化的局限性。
• 开发一种完全可微的、端到端的信号处理流程，实现发射波束成形与接收波束成形器的联合优化。
• 证明学习前向模型参数（即发射波束成形）可带来比仅学习逆重建过程更大的图像质量提升。

提出的方法

• 一个统一的双路卷积神经网络并行处理解调超声信号的同相（I）和 quadrature（Q）分量，损失在最终包络图像上计算。
• 引入一种新颖的可微波束成形层，受可微图像变形（Jaderberg 等人）的启发，使波束成形操作能够反向传播。
• 整个接收流程，包括波束成形和重建，均实现完全可微，从而可与发射波束成形参数联合优化。
• 通过可学习的波束成形器端到端优化发射波束成形，该波束成形器可自适应于成像任务，初始值包括多线采集（MLA）、多线发射（MLT）和随机波束模式。
• 该框架使用监督损失在包络图像上进行训练，真实标签来自延迟叠加波束成形的SLA（单线采集）图像。
• 该方法在不同降采样率和初始化策略下均表现出鲁棒性与适应性，证明了其在多种成像条件下的泛化能力。

实验结果

研究问题

• RQ1 联合学习发射波束成形与接收波束成形是否能超越仅学习重建流程，从而提升超声图像质量？
• RQ2 波束成形过程的端到端可微性如何促进发射波束成形的更优优化？
• RQ3 所学习的波束成形具有何种特征？与标准发射协议（如MLA、MLT或随机模式）相比表现如何？
• RQ4 学习前向模型（即发射波束成形）是否能带来比仅学习逆映射（图像重建）更大的性能提升？
• RQ5 所学习的流程在不同初始化方式和测量率下的性能表现如何？

主要发现

• 在离体心脏数据集上，所学习的Tx-Rx流程实现了31.14 dB的PSNR、0.92的SSIM和7.62的L1误差，显著优于标准延迟叠加波束成形。
• 在20-MLA设置下，所学习的Tx-Rx方法相比仅学习接收端的基线模型，PSNR提升了1.0 dB，L1误差降低了2.3。
• 视觉对比显示，所学习的Tx-Rx方法减少了伪影并提升了分辨率，尤其在信噪比较低的区域表现更优。
• 所学习的波束成形趋向于更高的方向性，初始较宽的波束（如20-MLA）逐渐收敛为两个清晰的窄波束，表明聚焦性能得到改善。
• 10-随机初始化实验表明，所学习的波束成形显著优于随机无方向波束，提示平面波可能并非与所学习接收端配合最优。
• 该方法在不同降采样率和初始化方案下均表现出强泛化能力，PSNR、SSIM和L1误差均保持一致的性能提升。