无监督展开 rPCA（U2-rPCA）：超声血管成像中的深层可解释杂波过滤
计算机视觉与模式识别
2026-05-20 v2
摘要
高灵敏度杂波过滤是超声血管成像的基础步骤。奇异值分解（SVD）和鲁棒主成分分析（rPCA）是主要的杂波过滤策略。然而，这两种策略在特征建模和组织与血流信号的分离方面受限，难以实现高质量的血管成像。最近，基于深度学习的杂波过滤在更彻底地分离组织与血流信号方面显示出潜力。然而，现有的监督式滤波器面临无训练标签和可解释性不足的挑战。虽然算法深度展开可解决可解释性问题，但训练标签仍未解决。本文提出一种无监督展开 rPCA（U2-rPCA）方法，保留数学可解释性且不依赖学习标签。具体而言，U2-rPCA 基于迭代加权最小二乘（IRLS）rPCA 基线展开，采用内在低秩和稀疏正则化。此外，插置一种稀疏增强单元，以强化其捕获稀疏血流信号的能力。U2-rPCA 类似于自适应滤波器，使用部分图像序列进行训练，再应用于后续帧。我们在体外数据集和公开体内数据集上进行实验验证，证明 U2-rPCA 在与 SVD 滤波、rPCA 基线及另一种深度学习滤波器相比时表现更优。特别是，本文提出的方法将功率多普勒图像的对比度-噪声比（CNR）提高了 1.91 dB 至 8.48 dB。此外，通过消融研究验证了 U2-rPCA 构建模块的有效性。
引用
@article{arxiv.2510.00660,
title = {Unsupervised Unfolded rPCA (U2-rPCA): Deep Interpretable Clutter Filtering for Ultrasound Microvascular Imaging},
author = {Huaying Li and Chuling Ye and Manfei Liao and Xiaobo Qu and Liansheng Wang and Yinran Chen},
journal= {arXiv preprint arXiv:2510.00660},
year = {2026}
}