[论文解读] Adaptive Ultrasound Beamforming using Deep Learning

Ben Luijten, Regev Cohen+5 more|TU/e Research Portal|Sep 23, 2019

Ultrasound Imaging and Elastography参考文献 30被引用 4

一句话总结

本文提出 ABLE（基于深度学习的自适应波束成形），一种深度学习框架，可学习超声成像中自适应波束成形的快速、数据高效的近似方法。通过在神经网络中建模最小方差波束成形的结构，ABLE 在计算成本降低数个数量级的同时，实现了与最先进自适应方法相当的图像质量，从而即使在数据欠采样条件下也能实现实时高质量成像。

ABSTRACT

Biomedical imaging is unequivocally dependent on the ability to reconstruct interpretable and high-quality images from acquired sensor data. This reconstruction process is pivotal across many applications, spanning from magnetic resonance imaging to ultrasound imaging. While advanced data-adaptive reconstruction methods can recover much higher image quality than traditional approaches, their implementation often poses a high computational burden. In ultrasound imaging, this burden is significant, especially when striving for low-cost systems, and has motivated the development of high-resolution and high-contrast adaptive beamforming methods. Here we show that deep neural networks that adopt the algorithmic structure and constraints of adaptive signal processing techniques can efficiently learn to perform fast high-quality ultrasound beamforming using very little training data. We apply our technique to two distinct ultrasound acquisition strategies (plane wave, and synthetic aperture), and demonstrate that high image quality can be maintained when measuring at low data-rates, using undersampled array designs. Beyond biomedical imaging, we expect that the proposed deep~learning based adaptive processing framework can benefit a variety of array and signal processing applications, in particular when data-efficiency and robustness are of importance.

研究动机与目标

• 解决自适应波束成形在超声成像中的高计算成本问题，尽管其图像质量优越，但该问题限制了其实时实现。
• 开发一种数据高效的深度学习模型，学习波束成形的最优加权系数，而无需依赖大规模训练数据集。
• 通过低数据率和欠采样的探头阵列实现实时、高对比度的超声成像。
• 通过基于模型的神经网络，弥合高质量自适应波束成形器（如 MV）与计算可行方法（如 DAS）之间的差距。
• 通过高效、可学习的波束成形，将自适应信号处理的应用扩展到资源受限的系统。

提出的方法

• 所提出的 ABLE 网络是一种紧凑、可微分的神经网络，模仿最小方差（MV）波束成形的算法结构，包含无畸变响应和功率归一化等约束。
• 网络使用来自超声阵列的时间对齐 RF 信号作为输入，为每个图像像素预测加权系数，并通过重建损失和物理约束进行反向传播优化。
• 该架构设计计算高效，采用逐像素处理方式，通过直接从数据中学习最优权重，避免了昂贵的矩阵求逆运算。
• 训练使用少量通道的合成或真实超声数据进行，即使在 25% 的通道子采样下也能实现数据高效性。
• 该方法在两种采集方案下进行评估：平面波和合成孔径成像，证明了其在不同成像策略下的鲁棒性。
• 网络通过数据保真度损失和正则化进行端到端训练，以强制实施物理约束，如对噪声和干扰的零响应。

实验结果

研究问题

• RQ1 深度神经网络能否在显著降低计算复杂度的前提下，近似实现最小方差波束成形器的性能？
• RQ2 基于深度学习的波束成形器在有限或欠采样超声数据上训练时，能在多大程度上保持高图像质量？
• RQ3 与传统波束成形方法（如 DAS、iMAP、CF）相比，所提出的基于模型的深度学习方法在分辨率、对比度和计算成本方面表现如何？
• RQ4 该网络能否在不同超声成像协议（如平面波和合成孔径成像）之间实现泛化？
• RQ5 即使在低信噪比条件下，该网络能否有效抑制栅瓣和杂波，同时保留强点散射体的清晰可见性？

主要发现

• 即使仅使用完整阵列通道的 25%，ABLE 在分辨率和对比度方面实现的图像质量与最小方差（MV）波束成形器相当。
• ABLE 的计算成本显著低于基于 MV 的方法，其计算复杂度随阵列尺寸呈亚二次方增长，且低于矩阵求逆的理论下限 $N^2\text{log}(N)$。
• 在 25% 通道子采样下，与确定性子采样相比，ABLE 在低信噪比区域（如斑点主导区域）的伪影更少，且在空区域的杂波抑制效果更好。
• 随机子采样导致旁瓣展宽，但相比确定性子采样，能更有效地抑制噪声和杂波，从而整体提升对比度。
• 在低数据率下，ABLE 仍能保持强点散射体（如支架）的高可见性，适用于临床应用（如血管内超声（IVUS）成像）。
• 在 IVUS 成像中，基于 25% 和 50% 子采样数据的两阶段 ABLE 重建，成功以高保真度恢复了模拟和体内冠状动脉结构。