综述：基于超声的断层成像重建与合成方法：范围综述

本综述系统评估了利用超声（US）数据生成计算机断层扫描（CT）和磁共振成像（MRI）等断层图像的最新方法。文章揭示了深度学习（DL）算法（如生成对抗网络GANs、卷积神经网络CNNs）在该领域的核心推动作用，重点涵盖了光声断层扫描（PAT）、超声计算机断层扫描（USCT）、三维（3D）重建和合成成像四大模态。尽管该领域发展迅速，尤其在亚洲和欧洲，但综述指出其在临床转化中仍面临标准化、验证和泛化性等挑战，未来发展需聚焦于算法效率提升和多中心验证。

　　

引言

超声（US）成像因其安全性、可负担性和易得性而备受重视，但其较低的空间分辨率和操作者依赖性限制了诊断能力。相比之下，计算机断层扫描（CT）和磁共振成像（MRI）等断层成像模式能提供高分辨率的三维（3D）可视化，但成本高昂且复杂。基于超声的断层成像旨在结合两种模式的优点，有望 democratizing 先进成像的可及性。

方法学概况

本范围综述遵循PRISMA-SR指南，检索了从建库至2025年7月的PubMed MEDLINE、Embase、Scopus和arXiv数据库。在初步识别的8256篇文章中，最终有86篇符合纳入标准。这些研究主要评估了从二维（2D）或三维（3D）超声数据生成或重建断层图像的方法。

主要成像模态与技术趋势

研究确定了四种主要的超声基断层成像模态：光声断层扫描（PAT）占36%，超声计算机断层扫描（USCT）占36%，三维重建占20%，合成成像占7%。在重建方法上，深度学习算法占据主导地位（67%），其中卷积神经网络（CNN）和U-Net架构最为常见（32%），其次是结合了深度学习与经典重建技术的混合方法（11%）、生成对抗网络（GANs）（9%）、基于模型或物理信息驱动的架构（9%）、扩散模型（2%）以及神经隐式模型（2%）。迭代重建算法（9%）、合成孔径方法（6%）、傅里叶/变换基方法（3%）及其他杂项方法（14%）也有应用。

从时间趋势看，2008年之前仅有少量研究（4%），2008年至2017年间发表的研究占12%，而2018年至2024年间是研究发表的高峰期，占70%，其中2021年达到峰值（14%）。截至2025年7月，已有12篇（14%）研究在当年发表。

地理分布上，亚洲机构的研究占42%，欧洲占35%，北美占21%，澳大利亚占2%。

研究的解剖区域分布广泛，其中乳房（17%）、大脑（16%）和血管（14%）是最常研究的区域，其次是骨骼（7%）、腹部（6%）和脊柱（6%）等。

各成像模态的深入解析

• •
  光声断层扫描（PAT）：PAT基于光声效应，结合了光学对比度和超声探测的优势，在肿瘤筛查和功能成像方面潜力巨大。其图像重建是一个不适定的逆问题。深度学习，特别是U-Net及其变体，在从稀疏数据中校正条纹伪影、增强体积图像质量方面表现出色。混合方法（如将滤波反投影FBP与U-Net结合）也显示出提升图像质量和计算效率的潜力。然而，PAT仍面临有限视角伪影、图像深度受限等挑战，其成功依赖于精确的物理建模和数据的充分性。
• •
  超声计算机断层扫描（USCT）：USCT利用环绕感兴趣区域的换能器阵列进行360度数据采集，早期主要用于乳腺成像。全波形反演（FWI）是常用的重建算法，但传统FWI计算密集且易产生伪影。深度学习（如记忆高效的神经网络架构）和混合方法（如物理嵌入神经网络PEN-FWI）在改善重建质量和效率方面取得了进展。合成孔径聚焦技术（SAFT）也被用于提高分辨率。USCT的挑战包括对组织不均匀性和声学像差的敏感性。
• •
  三维（3D）重建：该技术旨在从多个2D超声帧重建3D体积，对于手术规划等应用具有重要意义。挑战在于探头运动导致的对齐问题、有限的视野以及声影等伪影。深度学习（如用于实时骨骼分割的CNN与统计形状模型SSM结合）和机器人辅助系统有助于提高重建的准确性和自动化程度。探头的精确定位（通过光学跟踪或视觉特征）对于自由手3D超声重建至关重要。
• •
  合成成像：该方向旨在实现不同模态图像间的转换，例如从超声合成MRI或CT图像。所有相关研究均使用深度学习，其中CycleGANs因其无需配对数据即可学习映射关系而受到关注。这类方法有望克服超声解剖结构识别困难的挑战，但当前研究多基于生理数据，在真实病理场景下的性能及泛化能力仍需进一步验证。

挑战与未来展望

尽管基于超声的断层成像领域取得了显著进展，尤其是深度学习驱动的创新，但其临床转化仍面临诸多挑战。首先，缺乏广泛的外部验证，大多数算法仅在内部数据集上测试，其临床稳健性尚未得到充分证明。其次，深度学习模型普遍存在泛化能力不足的问题，对训练数据（尤其是病理数据）的量和质要求高，且计算资源（如GPU内存）消耗大。此外，评估指标不统一，缺乏标准的性能基准。未来研究应优先改进算法效率、鲁棒性和泛化能力，并在特定解剖区域（如乳腺、大脑、肌肉骨骼系统）进行深入开发和严格验证，特别是在中低收入国家（LMIC）的应用潜力值得挖掘。最终，需要通过大规模多中心试验来确立这些技术的临床效能和安全性。

结论

利用超声数据合成断层图像是医学成像领域一项突破性进展。本综述清晰展示了该领域从传统迭代重建方法向深度学习模型的转变。深度学习在提升图像质量、加速重建过程和实现新应用方面展现出巨大潜力。然而，该领域仍处于起步阶段，在验证、计算效率和泛化性方面的挑战亟待解决。未来的努力应集中于优化模型，使其更高效、准确和鲁棒，为最终的临床应用铺平道路。