深度学习驱动的全波形反演技术在超声乳腺成像中的应用研究

作者及发表信息

本研究由Thomas Robins（现任职于伦敦帝国理工学院生物工程系）、Jorge Camacho（西班牙国家研究委员会）、Oscar Calderon Agudo、Joaquin L. Herraiz（马德里康普顿斯大学）和Lluís Guasch（伦敦帝国理工学院地球科学与工程系）共同完成，发表于Sensors期刊2021年第21卷，文章标题为《Deep-Learning-Driven Full-Waveform Inversion for Ultrasound Breast Imaging》。

学术背景

科学领域：本研究属于医学影像与计算声学的交叉领域，聚焦于超声计算机断层扫描（Ultrasound Computed Tomography, USCT）技术的创新。

研究动机：
1. 临床需求：乳腺X线摄影（mammography）虽为乳腺癌筛查金标准，但存在电离辐射风险，且对致密型乳腺组织的检测灵敏度低（假阴性率高达30%）。超声成像无辐射、成本低，但传统脉冲回波超声依赖操作者经验，且仅提供形态学信息。
2. 技术瓶颈：现有USCT多基于射线近似模型（如飞行时间断层扫描，Time-of-Flight Tomography），分辨率受限于菲涅尔区直径，无法满足乳腺癌诊断需求。全波形反演（Full-Waveform Inversion, FWI）虽能通过波动方程建模实现亚波长分辨率，但需低频信号（<0.5 MHz）以避免“周期跳跃”（cycle skipping）问题，而医用超声探头通常无法发射低于1 MHz的频段。

研究目标：开发一种基于深度学习的方法，通过人工生成缺失低频信号，使FWI能够利用现有超声硬件实现高分辨率乳腺成像。

研究流程与方法

1. 数据生成与网络设计

数据来源：
- 训练数据：从OA-Breast数据库中选取8组真实乳腺声速（Speed of Sound, SOS）模型，通过数值波动方程模拟超声传播，生成合成USCT数据集。
- 实验验证：使用CIRS 073乳腺体模（含腺体和脂肪模拟层）和微CT扫描作为金标准。

带宽扩展网络架构：
- 2D U-Net CNN：采用编码器-解码器结构，通过收缩路径（卷积+ReLU+最大池化）提取特征，扩展路径（上采样+跳跃连接）恢复空间信息。输入为256×96的超声数据矩阵（96个探头通道×256时间采样点）。
- 对比模型：1D CNN（Sun et al.提出的单通道处理网络）。

数据增强：通过随机时间窗平移（±144采样点）和通道顺序翻转，生成约4000万条1D训练样本和700万条2D样本。

2. 低频信号合成

• 输入信号：P4-1心脏探头实测信号（下限频率0.52 MHz，-40 dB）。
  
• 目标信号：将P4-1信号高频段（>1 MHz）与理想宽带脉冲低频段（0.07 MHz）频谱融合，生成0.07–1.20 MHz的混合信号。
  
• 噪声模拟：使用生成对抗网络（GAN）合成与真实探头噪声匹配的噪声图，仅添加到输入数据以增强网络抗噪能力。
  

3. 全波形反演流程

1. 初始模型：均质水体模型（SOS=1484 m/s）。
   
2. 频率步进策略：
   
   • 宽带数据：0.20→1.20 MHz，208次迭代。
     
   • 窄带数据：0.50→1.20 MHz（无CNN预处理时失败）。
     
3. 性能评估：计算重建SOS模型与真实模型的均方根误差（RMS）。
   

主要结果

1. 合成数据测试

• 无低频扩展的FWI：直接使用P4-1窄带数据导致周期跳跃，重建失败（RMS=36.593 m/s）。
  
• CNN预处理后：
  
  • 2D U-Net将RMS降至4.530±0.485 m/s，显著优于1D CNN（5.287±0.448 m/s）。
    
  • 在MUST 2019挑战赛盲测中，2D U-Net重建结果与真实宽带数据一致（RMS=6.965 m/s），成功恢复乳腺组织结构（图6）。
    

2. 实验体验证

• 传统FWI：窄带数据重建出现伪影，无法分辨体模层次（图7b）。
  
• CNN扩展后：重建图像与微CT高度吻合，清晰显示脂肪/腺体分层及小囊肿（图7d）。反射超声成像（图7a）进一步验证了FWI对低反射但SOS异常病变的检测优势。
  

3. 频率域分析

CNN生成的信号在0.20–1.20 MHz频段与理想宽带数据误差最小（图4），证实其有效填补了0.07–0.50 MHz的缺失频段。

结论与价值

科学价值：
1. 首次将深度学习引入USCT低频扩展问题，突破硬件限制，使FWI在医用超声频段（>1 MHz）下实现高分辨率成像。
2. 提出2D U-Net架构，利用探头空间上下文信息，较1D方法误差降低14%。

应用价值：
1. 为乳腺癌筛查提供无辐射、低成本且可定量化SOS的替代方案。
2. 可推广至其他有限带宽超声设备，提升现有硬件性能。

研究亮点

1. 方法创新：结合物理模型（FWI）与数据驱动（CNN），解决传统反演中的非线性问题。
   
2. 临床兼容性：仅需修改软件算法，无需更换探头硬件。
   
3. 多模态验证：通过微CT、反射超声和合成数据三重验证，确保结果可靠性。
   

其他发现

• 气体伪影：CIRS体模中的气腔（制造缺陷）导致FWI重建异常，提示实际应用中需排除空气干扰。
  
• 3D扩展潜力：作者指出2D到3D的架构升级收益有限，因空间信息已在2D网络中充分捕获。
  

（注：文中图表引用详见原文献Figure 1–8，实验代码与数据已公开于OA-Breast数据库及MUST 2019挑战赛平台。）