类型a:学术研究报告
作者及机构
本研究的通讯作者为以色列理工学院的Yonina C. Eldar教授(IEEE Fellow)及其团队成员Avner Shultzman(IEEE学生会员),研究成果发表于2022年的《IEEE Transactions on Computational Imaging》期刊。
学术背景
该研究属于医学超声成像与计算成像交叉领域。传统B超图像存在分辨率低、对比度差且物理意义模糊的局限性,而现有基于线性声学模型的反演方法(如全波形反演算法FWI)无法准确描述生物组织中的非线性声传播效应。研究团队提出非线性波形反演(Nonlinear Waveform Inversion, NWI)算法,旨在通过非线性声学模型同时重建介质的声速(speed-of-sound, SOS)、密度(density)、衰减(attenuation)和非线性参数(nonlinearity parameter),以提升定量超声成像的精度。
研究流程与方法
1. 模型构建
- 采用Westervelt方程(含二次时间导数项的非线性声学模型)描述生物组织中的非线性声波传播,该模型通过离散化转化为递归神经网络(RNN)结构。RNN的每一时间步对应声波方程的离散时间步长,其权重由介质物理参数(如SOS、密度等)动态生成。
- 创新性地将物理模型嵌入RNN架构,避免了传统深度学习对大规模标注数据的依赖,同时利用自动微分工具实现高效梯度计算。
算法开发
仿真验证
主要结果
1. 参数重建精度
- NWI对SOS、密度、衰减的重建误差分别比FWI降低1.4倍、1.7倍和2.2倍(图3 vs 图4),且首次实现非线性参数β的定量重建(脂肪β=6.0,肝脏β=4.7)。
- FWI因忽略非线性效应,在水域区域出现显著重建偏差(SOS误差增加40%)。
计算效率
物理意义
结论与价值
1. 科学价值
- 首次将非线性声学模型与RNN架构结合,为复杂介质逆问题提供通用求解框架,可扩展至光声成像、地震学等领域。
- 通过物理驱动(而非数据驱动)的深度学习,提升模型可解释性。
研究亮点
1. 方法论创新:将Westervelt方程编码为RNN,实现非线性声学模型的高效反演。
2. 多参数重建:同步获取SOS、密度、衰减和非线性参数,超越现有FWI的能力边界。
3. 计算优化:通过RNN的自动微分机制,在模型复杂度增加的前提下反降计算成本。
4. 生物医学意义:验证非线性效应在组织鉴别中的关键作用(如β参数对脂肪与肝脏的区分)。
其他价值
附录中推导的线性声学算子(式24-26)为传统FWI提供理论对照,而聚焦波束生成方法(式27-28)为超声硬件设计提供参考标准。研究受欧盟Horizon 2020计划(Grant No. 101000967)资助,凸显其临床转化潜力。