[论文解读] Operational Learning-based Boundary Estimation in Electromagnetic Medical Imaging

Ahmed Al-Saffar, Anthony E. Stancombe+2 more|arXiv (Cornell University)|Aug 4, 2021

Microwave Imaging and Scattering Analysis参考文献 41被引用 6

一句话总结

本文提出一种基于学习的方法，仅利用电磁医学成像中通常被丢弃的相同微波数据，来估计成像对象的边界。通过在16元天线阵列（0.7–1.6 GHz）采集的反射系数上进行训练，该模型在临床试验中实现了平均0.012的Hu矩差异，无需额外传感器或复杂硬件即可实现快速、精确的边界检测。

ABSTRACT

Incorporating boundaries of the imaging object as a priori information to imaging algorithms can significantly improve the performance of electromagnetic medical imaging systems. To avoid overly complicating the system by using different sensors and the adverse effect of the subject's movement, a learning-based method is proposed to estimate the boundary (external contour) of the imaged object using the same electromagnetic imaging data. While imaging techniques may discard the reflection coefficients for being dominant and uninformative for imaging, these parameters are made use of for boundary detection. The learned model is verified through independent clinical human trials by using a head imaging system with a 16-element antenna array that works across the band 0.7-1.6 GHz. The evaluation demonstrated that the model achieves average dissimilarity of 0.012 in Hu-moment while detecting head boundary. The model enables fast scan and image creation while eliminating the need for additional devices for accurate boundary estimation.

研究动机与目标

• 通过仅从成像所用的相同电磁数据中估计物体边界，消除电磁医学成像中对外部传感器（如激光）的依赖。
• 通过将物体边界信息作为先验知识引入，提高成像精度并降低计算复杂度。
• 开发一种稳健的、数据驱动的边界估计模型，使其能从体模数据泛化到真实的临床人体试验。
• 克服现有方法（如共振频移和匹配滤波）的局限性，这些方法普遍存在泛化能力差和对信号分辨率高度敏感的问题。

提出的方法

• 在0.7–1.6 GHz频段运行的16元天线阵列采集的反射系数数据上训练深度神经网络。
• 利用原始反射系数（此前被视为无信息量）进行边界估计，将其视为序列复数数据处理。
• 通过结合仿真数据与体模数据对网络进行训练，以学习电磁反射与物体轮廓之间的非线性关系。
• 网络架构设计用于处理欠采样和插值信号，表现出对频率分辨率降低的鲁棒性。
• 在独立的临床人体试验（包括体内头部扫描）中验证泛化能力。
• 未来可进一步通过基于形状先验（如凸性、对称性）的推理后误差校正来提升鲁棒性。

实验结果

研究问题

• RQ1 能否有效利用标准电磁成像数据中的反射系数，在无需额外传感器的情况下估计物体边界？
• RQ2 所学习的模型在从体模训练数据泛化到真实临床人体受试者方面表现如何？
• RQ3 与共振频移和匹配滤波等成熟技术相比，该方法在边界估计精度方面的表现如何？
• RQ4 该模型在面对信号退化因素（如欠采样、气泡或头部运动）时的鲁棒性如何？

主要发现

• 该模型在临床头部成像试验中实现了平均0.012的Hu矩差异，表明边界估计具有高精度。
• 该模型可超越训练数据范围，即使在低于最小训练距离（例如低至约1 mm）的情况下也能成功估计边界。
• 当反射系数数据被降采样至1/8分辨率时，该模型仅表现出0.016%的误差增加，性能几乎无下降；而共振频移方法在类似条件下性能显著下降。
• 在所有评估指标中，该模型均优于共振频移和匹配滤波技术，具有更低的误差率和更强的鲁棒性。
• 边界估计在头部基底区域最准确（此处接触压力更高），而在顶部区域因耦合介质中存在气泡导致精度略有下降。
• 估计误差与患者性别之间无显著相关性，表明毛发或软组织差异对结果影响较小。