[论文解读] Deep Learning in RF Sub-sampled B-mode Ultrasound Imaging.

Yeo Hun Yoon, Shujaat Khan+2 more|arXiv (Cornell University)|Dec 17, 2017

Ultrasound Imaging and Elastography参考文献 7被引用 4

一句话总结

本文提出一种深度学习方法，通过级联卷积轮廓波网络学习数据驱动的基函数，从子采样的RF数据重建出高质量的B型超声图像，有效减少伪影和数据率，同时不损失图像质量，已在真实超声系统上得到验证。

ABSTRACT

In portable, three dimensional, and ultra-fast ultrasound (US) imaging systems, there is an increasing need to reconstruct high quality images from a limited number of RF data from receiver (Rx) or scan-line (SC) sub-sampling. However, due to the severe side lobe artifacts from RF sub-sampling, the standard beam-former often produces blurry images with less contrast that are not suitable for diagnostic purpose. To address this problem, some researchers have studied compressed sensing (CS) to exploit the sparsity of the image or RF data in some domains. However, the existing CS approaches require either hardware changes or computationally expensive algorithms. To overcome these limitations, here we propose a novel deep learning approach that directly interpolates the missing RF data by utilizing redundancy in the Rx-SC plane. In particular, the network design principle derives from a novel interpretation of the deep neural network as a cascaded convolution framelets that learns the data-driven bases for Hankel matrix decomposition. Our extensive experimental results from sub-sampled RF data from a real US system confirmed that the proposed method can effectively reduce the data rate without sacrificing the image quality.

研究动机与目标

• 解决便携式、3D及超高速成像系统中因RF数据子采样导致的有限数据下生成诊断有用B型超声图像的挑战。
• 克服传统波束成形的局限性，后者因RF子采样导致图像模糊、对比度低且存在严重的旁瓣伪影。
• 通过引入数据驱动的深度学习解决方案，消除对硬件修改或计算成本高昂的压缩感知算法的需求。
• 利用接收器（Rx）-扫描线（SC）平面中的冗余性，实现对缺失RF数据的高效且有效的插值。

提出的方法

• 设计一种深度神经网络，将学习过程解释为级联卷积轮廓波，实现RF数据Hankel矩阵分解的数据驱动基函数学习。
• 利用Rx-SC平面中的固有冗余性，在无需事先了解信号稀疏性的情况下引导缺失RF样本的插值。
• 端到端训练网络，从子采样输入重建高保真度RF数据，最小化重建误差，同时保持结构和对比度特征。
• 将网络表述为一系列学习的卷积滤波器，模拟轮廓波变换，实现高效且自适应的信号重建。
• 将训练好的网络应用于临床超声系统的真实RF数据，以在实际条件下验证性能。
• 采用强调结构相似性和对比度保持的损失函数，确保图像质量具有诊断相关性。

实验结果

研究问题

• RQ1 深度学习模型能否在保持图像质量的前提下，有效插值子采样超声成像中的缺失RF数据？
• RQ2 所提出的基于轮廓波的网络架构在伪影减少和对比度保持方面，与传统波束成形和压缩感知方法相比如何？
• RQ3 所提出的方法在不降低诊断图像质量的前提下，能在多大程度上降低数据率？
• RQ4 通过卷积轮廓波学习基函数的数据驱动方法，是否优于固定域稀疏性方法？
• RQ5 该方法能否在不同子采样模式和真实世界超声系统之间实现泛化？

主要发现

• 与标准波束成形相比，所提出的深度学习方法显著减少了旁瓣伪影并提高了图像对比度。
• 该网络在无需硬件修改或迭代优化的情况下实现了高质量图像重建，支持实时应用。
• 在真实超声数据上的大量实验表明，即使在高子采样率下，该方法仍能保持诊断图像质量。
• 学习的轮廓波表示有效捕捉了Rx-SC平面中的冗余性，实现了对缺失RF样本的精确插值。
• 在计算效率和重建保真度方面，该方法优于现有的压缩感知方法。
• 该网络在不同子采样模式间表现出良好的泛化能力，展示了在实际成像场景中的鲁棒性。