上海科技大学信息科学与技术学院蔡夕然课题组（智能超声成像和治疗实验室）和虞晶怡课题组、张玉瑶课题组合作，提出一种基于隐式神经表达和弯曲射线追迹模型的超声CT成像方法（BentRay-NeRF）。该方法更好地克服了弯曲射线追迹超声断层声速图像重建的病态问题，可显著提高系统性噪声影响下的声速图像重建质量和鲁棒性，为疾病诊断提供更准确的图像。此项工作以“BentRay-NeRF: Bent ray neural radiance fields for robust speed-of-sound imaging in ultrasound computed tomography”为题在线发表于超声领域国际期刊《IEEE超声学、铁电体技术与频率控制汇刊》（IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control）。
超声CT声速成像主要通过反演声传播物理模型重建图像，该反演问题高度病态（ill-posed），求解对噪声高度敏感且容易陷入局部最小值，导致重建结果不稳定。传统优化方法（如高斯-牛顿法）所重建的声速图像在非理想数据约束条件下，容易产生伪影、并且重建鲁棒性较差，当数据中存在噪声时常常出现重建失败的情况。因此，使用传统方法重建图像时，需要对超声信号进行大量的数据清洗工作，最小化噪声带来的误差。BentRay-NeRF方法使用多层感知机（MLP）构建连续的慢度场（声速场的倒数）的隐式神经表示（INR），使其在空间上更加平滑，更好约束图像重建的反演问题（图1）。INR可以减少由传统离散网格表示方式带来的插值误差和高维求解空间带来的重建不稳定性。此外，该方法结合了多分辨率哈希编码，使得MLP能够更好地学习空间细节信息，从而在重建过程中更高效和有效地恢复边界的高频细节。相比于传统的优化方法，BentRay-NeRF在有限数据约束和使用带噪超声信号的情况下仍能更好地抑制伪影，提供更准确和更稳定的声速反演结果（图2）。
图1 BentRay-NeRF方法图像重建流程概览。
图2琼脂仿体声速图像重建结果。（a）未经过滤波处理的超声到达时间信号。(b)高斯-牛顿法和(c)BentRay-NeRF方法重建的声速图像，以及(d)仿体内部选定的轮廓线比较。(e-h)经滤波处理的超声到达时间信号，及其对应的重建结果。GT：ground-truth。
信息学院2023级博士研究生崔世龙为第一作者，2022级博士研究生吴晴、2022硕士研究生黄一鸣、2023级硕士研究生戴海钊、张玉瑶教授、虞晶怡教授为共同作者，蔡夕然教授为通讯作者。此项工作得到了中国科学院声学所李玉冰研究员的指导。
沪公网安备 31011502006855号