[论文解读] An axially-variant kernel imaging model for ultrasound image reconstruction

Mihai I. Florea, Adrian Basarab+2 more|arXiv (Cornell University)|Jan 25, 2018

Ultrasound Imaging and Elastography被引用 1

一句话总结

本文提出了一种用于超声图像重建的轴向可变核成像模型，消除了空间不变核和循环边界条件的不切实际假设。通过实现高效计算且内存开销可忽略，该模型在保持大图像计算可行性的同时，相较于传统空间不变方法，实现了更优的图像重建质量。

ABSTRACT

Existing ultrasound deconvolution approaches unrealistically assume, primarily for computational reasons, that the convolution model relies on a spatially invariant kernel and circulant boundary conditions. We discard both restrictions and introduce an image formation model for ultrasound imaging and deconvolution based on an axially varying kernel, that accounts for arbitrary boundary conditions. Our model has the same computational complexity as the one employing spatially invariant convolution and has negligible memory requirements. To accommodate state-of-the-art deconvolution approaches when applied to a variety of inverse problem formulations, we also provide an equally efficient adjoint expression of our model. Simulation results confirm the tractability of our model for the deconvolution of large images. Moreover, the quality of reconstruction using our model is superior to that obtained using spatially invariant convolution.

研究动机与目标

• 解决现有超声去卷积方法中假设核空间不变和循环边界条件的局限性。
• 开发一种计算高效的图像形成模型，以考虑轴向变化的核和任意边界条件。
• 使最先进的去卷积技术能够应用于更广泛的超声成像逆问题类别。
• 提供与现代基于优化的去卷积方法兼容的高效伴随公式。
• 在大规模超声图像重建中展示该模型的实用性和优越性能。

提出的方法

• 基于轴向可变核提出一种新的超声图像形成模型，以反映超声波束图案中的真实空间变化。
• 设计模型以保持与空间不变卷积相同的计算复杂度，确保可扩展性。
• 通过结构化计算避免完整核矩阵的存储，实现极低的内存需求。
• 推导出模型的高效伴随表达式，以支持与迭代去卷积算法的集成。
• 支持任意边界条件，消除对人工周期性扩展的需求。
• 采用随轴向位置变化的参数化核表示，以建模深度相关的波束特性。

实验结果

研究问题

• RQ1 与空间不变模型相比，轴向可变核模型是否能提升超声图像重建质量？
• RQ2 是否可以实现计算复杂度与空间不变卷积相当的轴向可变核模型？
• RQ3 该模型在支持任意边界条件的同时，是否能保持低内存使用？
• RQ4 该模型的伴随运算是否能高效计算，以实现与现代去卷积求解器的集成？
• RQ5 该模型在大规模超声图像重建任务中的表现如何？

主要发现

• 所提出的轴向可变核模型在图像重建质量上优于空间不变卷积模型。
• 该模型的计算复杂度与空间不变卷积相当，可实现对大图像的高效处理。
• 内存需求保持极低，因为模型避免了对完整核矩阵的显式存储。
• 该模型的伴随运算可高效计算，从而可无缝集成到最先进的去卷积算法中。
• 仿真结果证实了该模型在大规模超声图像重建中的可处理性和有效性。