使用时空复值神经网络对活体超声定位显微成像进行相位畸变校正
图像与视频处理
2023-09-20 v4
摘要
超声定位显微成像（ULM）能够以几微米（\mu m）的分辨率绘制微血管。在颅骨引起的畸变导致定位误差的情况下，经颅 ULM 仍然具有挑战性。在此，我们提出一种基于复值卷积神经网络（CV-CNNs）的深度学习方法以恢复畸变函数，随后可利用该函数通过标准延时叠加波束成形形成增强图像。选择 CV-CNNs 是因为它们可以通过与同相正交输入数据的乘法来施加时间延迟。预测畸变函数而非校正后的图像也为网络提供了更强的可解释性。此外，网络使用了 3D 时空卷积以利用完整的微泡轨迹。对于训练与验证，我们使用了解剖与血流动力学逼真的鼠脑微血管网络模型来模拟存在畸变情况下的微泡流动。所提出的 CV-CNN 性能通过使用微泡轨迹的基于相干性的方法进行了比较。随后我们证实了该网络对鼠脑经颅 \textit{in vivo} 数据（n=3）的泛化能力。使用局部预测的畸变函数进行的血管重建包含了额外且更清晰的血管。CV-CNN 比基于相干性的方法更鲁棒，并能在 6 个月大的小鼠中进行畸变校正。校正后，我们测得年轻小鼠的分辨率为 15.6 \mu m，提升了 25.8 ；而 6 个月大小鼠的分辨率提升了 13.9 。本工作为复值卷积在生物医学成像中的不同应用以及经颅 ULM 的实现策略提供了思路。
引用
@article{arxiv.2209.10650,
title = {Phase Aberration Correction for in vivo Ultrasound Localization Microscopy Using a Spatiotemporal Complex-Valued Neural Network},
author = {Paul Xing and Jonathan Porée and Brice Rauby and Antoine Malescot and Éric Martineau and Vincent Perrot and Ravi L. Rungta and Jean Provost},
journal= {arXiv preprint arXiv:2209.10650},
year = {2023}
}