融合U-Net与Transformer的联合模型实现平面波超声图像同步分割与波束形成

《Urologic Clinics of North America》：A Hybrid Model Combining U-Net and Transformers for Joint Segmentation and Beamforming of Plane-wave Ultrasound Images

本文提出了一种创新的混合架构，将U-Net的局部特征提取能力与Transformer的全局注意力机制相结合，实现了单角度平面波超声图像的同步分割与波束形成。该模型在仿真体模和颈动脉临床数据中展现出卓越的分割精度（DSC=0.98）与图像质量（SSIM=0.765），为降低超声操作者依赖性、提升临床诊断效率开辟了新途径。

　　

亮点

定性分析

图2展示了单角度（0°）平面波图像经混合模型处理后的代表性结果。如表2所示缩放参数训练时，U-Net输出（图2A-G）随参数选择呈现显著差异：当α=1且β=γ=0时模型可识别病灶但背景组织还原不佳；而当β=1时背景组织细节得到增强却导致病灶边界模糊。优化参数组合（α=0.4, β=0.4, γ=0.2）最终实现了病灶精准分割与组织纹理的协同优化。

讨论

本研究验证了U-Net与Transformer混合模型在单角度平面波超声图像同步分割与波束形成中的有效性，主要发现包括：

1. 1.
   模型在仿真体模中精准勾勒低回声病灶（5-10mm半径），其DSC（0.98）与SSIM（0.765）媲美复合平面波成像；
2. 2.
   对≤7mm小病灶的检测灵敏度有待提升，偶现伪影病灶；
3. 3.
   临床颈动脉数据证实模型对复杂血管形态的适应性，其SNR（2.15）和gCNR（0.8）接近多角度复合成像水平（2.4/0.9）。

结论

混合模型通过整合全局上下文感知与局部特征提取，在降低对角度复合依赖的同时保持图像质量，为实时临床超声诊断提供了新技术范式。未来需通过模型优化重点改善小目标检测与伪影抑制能力。

数据可用性

支持本研究结果的数据可向通讯作者合理索取。因隐私限制，数据不公开。

利益冲突声明

作者声明无竞争性利益。