[论文解读] Universal Deep Beamformer for Variable Rate Ultrasound Imaging

Shujaat Khan, Jaeyoung Huh+1 more|arXiv (Cornell University)|Jan 7, 2019

Ultrasound Imaging and Elastography参考文献 46被引用 10

一句话总结

本文提出了一种通用的深度波束成形器，利用端到端深度学习从不同孔径和通道配置下的变率子采样RF数据中重建出高质量的B型超声图像。该模型仅基于数据训练，无需预先设定信号模型，在所有子采样率下均实现了卓越的图像质量，尤其在对比度和分辨率方面表现突出，即使在仅使用全数据6.25%的情况下也优于标准DAS和自适应波束成形器，在体膜和体内研究中均表现出色。

ABSTRACT

Ultrasound (US) imaging is based on the time-reversal principle, in which individual channel RF measurements are back-propagated and accumulated to form an image after applying specific delays. While this time reversal is usually implemented as a delay-and-sum (DAS) beamformer, the image quality quickly degrades as the number of measurement channels decreases. To address this problem, various types of adaptive beamforming techniques have been proposed using predefined models of the signals. However, the performance of these adaptive beamforming approaches degrade when the underlying model is not sufficiently accurate. Here, we demonstrate for the first time that a single universal deep beamformer trained using a purely data-driven way can generate significantly improved images over widely varying aperture and channel subsampling patterns. In particular, we design an end-to-end deep learning framework that can directly process sub-sampled RF data acquired at different subsampling rate and detector configuration to generate high quality ultrasound images using a single beamformer. Experimental results using B-mode focused ultrasound confirm the efficacy of the proposed methods.

研究动机与目标

• 解决超声成像中因接收通道减少和子采样导致的图像质量下降问题。
• 克服基于模型的自适应波束成形器的局限性，后者依赖于精确的信号假设，在稀疏或非均匀采样下会失效。
• 开发一个单一的、通用的深度学习模型，无需微调即可泛化于多种子采样模式和探测器配置。
• 仅使用原始RF数据，无需对底层信号模型有先验知识，提升图像对比度、分辨率和动态范围。

提出的方法

• 该方法采用端到端的卷积神经网络（CNN），在全采样RF数据上进行训练，学习从子采样RF输入到高质量B型图像的映射关系。
• 通过利用RF域中的空间和时间冗余性，网络架构被设计为可处理可变的子采样率和配置。
• 训练目标聚焦于最小化重建误差，同时保留结构和动态范围细节，采用增强对比度和分辨率的损失函数。
• 通过在包括随机和稀疏配置在内的多样化子采样模式上进行训练，确保模型在不同扫描方案中的泛化能力。
• 通过多深度输入策略，对相邻深度平面进行平均，提升对深度相关变化的鲁棒性。
• 训练完成后，该模型可在每深度平面约9.8毫秒内实现实时重建，适用于临床超声系统。

实验结果

研究问题

• RQ1 单一深度学习模型是否能泛化于超声成像中广泛的子采样率和探测器配置？
• RQ2 在严重子采样条件下，纯数据驱动的深度波束成形器是否在图像质量上优于传统的DAS和自适应波束成形器？
• RQ3 在无先验信号建模的前提下，深度神经网络在超声成像中能在多大程度上实现超分辨率效果？
• RQ4 该深度波束成形器在不同子采样因子下的性能如何，特别是在低数据率下？
• RQ5 该深度波束成形器能否在不同深度和子采样模式下保持轴向分辨率的同时显著提升侧向分辨率？

主要发现

• 所提出的深度波束成形器在所有子采样方案中均显著优于标准DAS波束成形器，体膜和体内数据的对比噪声比（CNR）、全局对比噪声比（GCNR）、峰值信噪比（PSNR）和结构相似性（SSIM）均有提升。
• 即使在仅使用全RF数据6.25%的情况下，该方法仍保持了高质量图像，表现出对极端子采样的强鲁棒性。
• 深度波束成形图像的侧向分辨率超过全采样DAS图像，表明其通过学习数据冗余实现了超分辨率效应。
• 轴向分辨率在所有子采样因子下保持稳定，强度剖面无明显偏移，表明轴向分辨率未退化。
• 平均重建时间约为每深度平面9.8毫秒，具备实现实时成像的潜力。
• 该模型无需微调即可泛化于多种子采样模式，证实了其通用性和鲁棒性。