近日，国家高性能医疗器械创新中心、中科院深圳先进院王丛知研究员和清华大学医学院罗建文研究员合作，在基于深度学习框架的快速超声图像重建方法领域取得新进展。研究团队基于稀疏正则化等先验约束条件和自监督深度神经网络，在国际上率先提出一种具有很大拓展潜力的超声成像逆问题快速求解方法，在保持平面波成像超高帧频采样的同时，大幅提升图像质量并显著减少重建时间，为进一步发掘平面波成像的超高时间分辨率潜力提供了新方法。

       上述工作近日以Ultrasound Image Reconstruction from Plane Wave Radio-frequency Dataset by Self-Supervised Deep Neural Network为题在国际医学成像及图像分析领域顶级期刊 Medical Image Analysis上在线发表（IF = 11.148，https://doi.org/10.1016/j.media.2021.102018）。清华大学医学院博士研究生张经科为该论文的第一作者。王丛知研究员与清华大学医学院的罗建文研究员为论文的通讯作者。

超声平面波成像单次发射即可重建出整幅图像，显著提高了成像帧频。然而由于其发射波束不聚焦，利用传统延时-叠加（DAS）方法重建的图像分辨率和对比度较差。虽然通过相干复合技术能够改善图像质量，但需要多次发射，再次牺牲了帧频。基于稀疏正则化的波束合成技术是目前国际研究的前沿，相比DAS方法，可以用更少次数的平面波发射重建出高质量的图像。但该技术算法复杂，通常需要耗费数分钟时间才能完成一帧图像的重建计算，严重制约了其在产业化和临床中的应用前景。

引入深度学习技术是解决上述问题的可行途径，但难点在于缺少生成标准训练数据集（即具有“完美”质量的超声图像）的合适方法。常规的监督学习策略，可以使用其他方法生成具备较高质量的图像来近似“完美”图像，如利用传统稀疏正则化方法或相干复合技术来生成训练标签，但以此来生成大量的训练样本集极为耗时，还可能造成神经网络“记住”传统方法参数而发生过拟合。同时，传统方法重建的图像毕竟只是“完美”图像的近似，相当于给最终图像质量人为设置了上限，因此并不适合作为训练标准来使用。针对以上问题，本研究通过对原始射频数据和重建图像信号之间线性关系的巧妙应用，绕开了监督学习策略对训练标签的硬性需求，构建了一种自监督学习策略，将原始射频数据同时作为网络的输入和训练标签使用（如图1所示）。基于该方法，图像重建速度获得大幅提升（从数分钟/帧加速至十毫秒/帧），图像质量也得到较大改善（如图2所示）。

此外，该图像重建框架还具有很大的拓展潜力。例如，除稀疏正则化约束项外，未来还可以进一步根据成像部位、待诊疾病等个性化需求，灵活引入其他先验约束条件和优化参数配置，实现对特殊感兴趣信息的强化和突显。该框架有望为超声成像设备由传统的手动调参模式向自主学习进化的智能模式发展提供新的可行思路。

相关工作得到国家重点研发计划、国家自然科学基金、清华大学-北京大学生命科学联合中心优秀博士后基金、中国科协青年人才托举工程以及四川省科技计划等项目的资助。

图1.该方法的训练包含两个阶段，并利用迁移学习加速收敛。在阶段一中神经网络被训练以恢复输入信号，所得参数被迁移学习至阶段二训练图像重建网络。

图2. 利用该方法与传统方法重建图像的比较。该方法可以有效压制图像中的背景噪声，具有更高的对比度和准确性。

附件下载：