最近，清华大学医学院生物医学影像研究中心罗建文研究员与中国科学院深圳先进技术研究院及国家高性能医疗器械创新中心王丛知研究员合作，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为题在医学图像分析领域顶级期刊Medical Image Analysis (IF = 11.148)上在线发表(https://doi.org/10.1016/j.media.2021.102018）。清华大学医学院生物医学影像研究中心博士研究生张经科为论文的第一作者。中国科学院深圳先进技术研究院及国家高性能医疗器械创新中心王丛知研究员与清华大学医学院生物医学影像研究中心罗建文研究员为论文的通讯作者。

传统的超声成像采用聚焦波发射，并使用延时-叠加（DAS）算法进行图像重建，图像质量高，计算速度快，可以实现实时成像；但是帧频低，一般在几十帧/秒。平面波超声成像发射单次平面波即可通过DAS算法重建出整个成像区域的图像，显著地提高了超声成像帧频（可到上万帧）；然而，由于其发射波束不聚焦，所重建图像的分辨率和对比度较差。虽然通过相干复合技术可以获取图像质量的改善，但是将在一定程度上牺牲成像帧频。基于稀疏正则化的超声图像重建方法是目前国际研究的前沿，相比于传统的DAS算法，可以使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的时间完成一帧图像的重建，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，本研究团队巧妙应用了原始超声通道数据和重建信号之间的线性关系，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）。

相比于前人的结果，本方法获得了图像重建速度的极大提升（从数分钟/帧加速至十毫秒/帧）。同时，图像质量也获得了较大的改善。在颈动脉成像中，本方法使用单次平面波发射，即可获得比传统DAS方法75角度平面波复合更高的图像质量（图2）。由于使用单次平面波发射，成像帧频相比传统的聚焦方式提高了100倍以上。

因此，上述工作在保留平面波成像所带来的超高帧频、稀疏正则化图像重建所带来的图像质量提升的同时，极大地缩短了图像重建时间，有望进一步推动平面波超声成像的临床应用。另一方面，上述工作也提供了一个逆问题求解的新框架，可望应用于其他医学成像模态的逆问题求解，特别是大量训练标签难以获得的情形。

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。

新闻作者：张经科