融合任务信息的学习型全波形反演用于超声计算机断层成像

超声计算机断层成像（USCT）是一种新兴的成像方式，在乳腺成像方面具有巨大前景。基于全波形反演（FWI）的图像重建方法结合精确的波动物理，从USCT测量数据生成乳腺组织声速或其他声学特性的高空间分辨率定量图像。然而，FWI重建的高计算成本对其在临床环境中的广泛应用构成重大负担。本文所报告的研究考察了使用卷积神经网络（CNN）学习从USCT波形数据到声速估计的映射。该CNN采用监督方法训练，使用任务感知损失函数以保留与病灶检测相关的图像特征。训练期间采用了大量解剖与生理逼真的数值乳腺体模（NBPs）及相应的模拟USCT测量数据。一旦训练完成，该CNN可从USCT波形数据实时执行FWI图像重建。所提方法的性能使用41个保留NBPs及相应USCT数据进行评估并与FWI比较。准确性通过相对均方误差（RMSE）、结构自相似指数测度（SSIM）和病灶检测性能（DICE分数）衡量。该数值实验表明，监督学习模型在RMSE和SSIM方面可达到与FWI相当的精度，在任务性能方面更优，同时显著减少计算时间。