用于改进乳腺病变表征的学习型超分辨超声

乳腺癌是女性中最常见的恶性肿瘤。乳腺 X 线摄影所见如微钙化和肿块，以及超声扫描中肿块的形态特征，是肿瘤检测的主要诊断目标。然而，这些成像模态的特异性有待提高。一个主要的替代目标是新生血管生成。在病理状态下，它促进多种肿瘤的发展及转移的形成。因此，通过显微血管的可视化来显示新生血管生成可能具有重要意义。超分辨超声定位显微镜能够在毛细血管水平对显微血管成像。然而，诸如重建时间长、依赖系统点扩散函数（PSF）的先验知识，以及超声造影剂（UCAs）的可分离性等挑战，需要被解决以实现超分辨 US 的临床转化。在本工作中，我们使用一种有效利用信号结构的深度神经网络架构来应对这些挑战。我们展示了使用临床超声扫描仪获取的三种不同乳腺病变的体内人体结果。通过利用我们训练的网络，显微血管结构在短时间內被恢复，无需 PSF 先验知识，且不需 UCAs 的可分离性。每次恢复均展现出与已知组织学结构相对应的不同结构。本研究证明了基于临床扫描仪的体内人体超分辨的可行性，可提升针对不同乳腺病变的 US 特异性，并推动 US 在乳腺病理诊断中的使用。