[论文解读] Ultrasound Shear Wave Elasticity Imaging with Spatio-Temporal Deep Learning

Maximilian Neidhardt, Marcel Bengs+5 more|arXiv (Cornell University)|Apr 11, 2022

Ultrasound Imaging and ElastographyMedicine被引用 1

一句话总结

本文提出一种用于从真实超声剪切波数据中实时、像素级弹性模量估计的三维时空卷积神经网络（CNN），绕过传统的基于速度的方法。该方法在均质胶质膜上实现5.01 ± 4.37 kPa的平均绝对误差，并在包含物区域中相比飞行时间法将平均绝对误差降低53.93%，实现了对推压位置不敏感且甚至在推压区域内部也准确的局部弹性模量估计。

ABSTRACT

Ultrasound shear wave elasticity imaging is a valuable tool for quantifying the elastic properties of tissue. Typically, the shear wave velocity is derived and mapped to an elasticity value, which neglects information such as the shape of the propagating shear wave or push sequence characteristics. We present 3D spatio-temporal CNNs for fast local elasticity estimation from ultrasound data. This approach is based on retrieving elastic properties from shear wave propagation within small local regions. A large training data set is acquired with a robot from homogeneous gelatin phantoms ranging from 17.42 kPa to 126.05 kPa with various push locations. The results show that our approach can estimate elastic properties on a pixelwise basis with a mean absolute error of 5.01(437) kPa. Furthermore, we estimate local elasticity independent of the push location and can even perform accurate estimates inside the push region. For phantoms with embedded inclusions, we report a 53.93% lower MAE (7.50 kPa) and on the background of 85.24% (1.64 kPa) compared to a conventional shear wave method. Overall, our method offers fast local estimations of elastic properties with small spatio-temporal window sizes.

研究动机与目标

• 开发一种基于深度学习的方法，直接从真实超声剪切波数据中进行局部弹性模量估计，避免依赖剪切波速度估计。
• 提高弹性成像的准确性和鲁棒性，特别是在非均质组织和声学推压区域附近。
• 使用小的时空窗口实现实时、像素级弹性模量映射，且不依赖于推压位置或波传播方向。
• 在均质胶质膜和复杂包含物上验证该方法，展示其相对于传统飞行时间法的性能优势。

提出的方法

• 该方法采用三维时空CNN，将局部3D数据立方体（空间x、y和时间t）作为输入，称为时空窗口。
• 网络架构基于DenseNet模块，并通过平均池化层实现空间和时间维度的下采样。
• 输入数据为来自机械臂系统的高速超声剪切波序列，覆盖广泛的弹性模量范围（17.42–126.05 kPa）和不同推压位置。
• 网络直接从时空窗口预测杨氏模量，实现在图像每个像素上的局部弹性模量估计。
• 训练基于大规模合成的均质明胶胶质膜数据集，具有已知弹性模量，以实现对非均质结构的泛化能力。
• 推理过程经过优化，实现每预测一次仅需0.07 ms（在小窗口0.32 × 0.4 mm下），在效率方面优于传统方法。

实验结果

研究问题

• RQ1 三维时空CNN能否在不依赖剪切波速度估计的前提下，实现从真实超声剪切波数据中准确、局部的弹性模量估计？
• RQ2 该方法在声学推压区域内部的弹性模量估计表现如何，而传统方法在此区域常出现失效？
• RQ3 与传统飞行时间法相比，该方法在具有刚性包含物的非均质胶质膜中能将准确性提升多少？
• RQ4 时空窗口尺寸的选择在弹性模量估计中对边界定义和整体准确性有何影响？

主要发现

• 该方法在均质明胶胶质膜上实现5.01 ± 4.37 kPa的平均绝对误差（MAE），覆盖广泛的弹性模量范围（17.42–126.05 kPa）。
• 对于含有刚性包含物的胶质膜，与传统飞行时间法相比，MAE降低了53.93%（降至7.50 kPa）。
• 在背景组织区域，MAE为1.64 kPa，相比飞行时间法提高了85.24%。
• 该方法提供与推压位置无关的一致弹性模量估计，并且在推压区域内部也能实现准确估计。
• 较小的时空窗口（如17×17像素，约1×1 mm）与较大窗口相比，Dice系数相当，但当窗口尺寸低于17×17像素时性能显著下降。
• 该方法实现了实时弹性模量映射，单次估计的推理时间低至0.07 ms，速度和准确性均优于传统方法。