[论文解读] Efficient B-mode Ultrasound Image Reconstruction from Sub-sampled RF Data using Deep Learning

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

Advanced MRI Techniques and Applications参考文献 33被引用 4

一句话总结

本文提出一种基于深度学习的方法，通过利用接收-发射（Rx-Xmit）域中的冗余性，采用受低秩Hankel矩阵分解启发的卷积神经网络（CNN），从欠采样的RF数据高效重建B型超声图像。该方法在计算成本显著低于压缩感知方法（如ALOHA）的情况下实现了更优的图像质量，无需硬件改动或迭代优化，即可实现高保真度重建。

ABSTRACT

In portable, three dimensional, and ultra-fast ultrasound imaging systems, there is an increasing demand for the reconstruction of high quality images from a limited number of radio-frequency (RF) measurements due to receiver (Rx) or transmit (Xmit) event sub-sampling. However, due to the presence of side lobe artifacts from RF sub-sampling, the standard beamformer often produces blurry images with less contrast, which are unsuitable for diagnostic purposes. Existing compressed sensing approaches often require either hardware changes or computationally expensive algorithms, but their quality improvements are limited. To address this problem, here we propose a novel deep learning approach that directly interpolates the missing RF data by utilizing redundancy in the Rx-Xmit plane. Our extensive experimental results using sub-sampled RF data from a multi-line acquisition B-mode system confirm that the proposed method can effectively reduce the data rate without sacrificing image quality.

研究动机与目标

• 解决便携式、3D及超高速超声系统中因RF数据欠采样导致的图像质量下降问题。
• 克服压缩感知方法存在的局限性，如需硬件修改或计算复杂度高。
• 开发一种数据驱动的深度学习方法，利用Rx-Xmit域中的信号冗余实现高效的RF插值。
• 在极低运行时延开销下实现高质量图像重建，适用于实时临床应用。
• 通过将方法与基于消去滤波器的低秩Hankel矩阵方法（ALOHA）建立理论联系，构建具有理论基础的深度学习框架。

提出的方法

• 该方法利用深度CNN直接插值缺失的RF数据，通过利用Rx-Xmit域和Rx-SL域中的空间冗余性。
• 网络架构基于低秩Hankel矩阵分解的理论洞察，特别是ALOHA框架，以确保可解释性与性能。
• 网络结构包含28个残差块，每层使用3×3卷积核和64个滤波器，实现高效特征学习，且无需矩阵求逆。
• 模型在来自线性阵列和凸阵列换能器的欠采样RF数据上进行端到端训练，以确保泛化能力。
• 方法直接在Rx-Xmit域的RF数据上操作，避免在重建前进行波束成形。
• 该方法避免迭代优化，因此运行时复杂度比ALOHA低几个数量级。

实验结果

研究问题

• RQ1 深度学习能否在保留诊断图像质量的前提下，有效插值超声成像中的欠采样RF数据？
• RQ2 所提出的深度学习方法在性能上与传统压缩感知及插值技术（如ALOHA和线性插值）相比如何？
• RQ3 该网络在不同换能器类型（线性阵列与凸阵列）及不同欠采样方案下的泛化能力如何？
• RQ4 能否基于信号结构（如低秩Hankel矩阵）设计出具有理论依据的深度学习模型？
• RQ5 与迭代式压缩感知算法相比，所提方法在计算效率上提升了多少？

主要发现

• 在×4 Rx欠采样条件下，该方法的PSNR比欠采样输入高24.11%，比线性插值高19.05%。
• 在×8 Rx欠采样条件下，该方法的PSNR比欠采样输入高23.19%，比线性插值高25.93%。
• 在4×2 Rx-Xmit欠采样条件下，该方法的PSNR比欠采样输入高4.20%，比线性插值高7.19%。
• 在×4 Rx、×8 Rx和4×2 Rx-Xmit欠采样条件下，该方法的对比噪声比（CNR）分别比ALOHA提升12.18%、15.65%和14.62%。
• 在×4 Rx、×8 Rx和4×2 Rx-Xmit欠采样条件下，该方法的PSNR比ALOHA分别提升0.98 dB、1.09 dB和1.05 dB。
• 在×4 Rx、×8 Rx和4×2 Rx-Xmit欠采样条件下，该方法的SSIM比ALOHA分别提升4.65%、4.94%和1.22%。