编辑推荐：
超声用于骨成像面临挑战，如骨组织结构复杂、传统方法分辨率低等。研究人员开展基于深度学习的全波形反演（DL-FWI）研究，提出 CEDD-Unet 网络。结果显示该网络性能优异，为高分辨率骨成像提供了有效方法。
在医学成像的广阔领域中，超声成像凭借其安全、无辐射、成本低和便携等诸多优势，成为了诊断软组织疾病的得力助手。然而，当面对骨骼这一复杂的结构时，超声成像却遭遇了重重困难。骨骼可不是一般的组织，它结构复杂，声学阻抗高，声速（speed-of-sound，SOS）也与周围软组织差异巨大。这种差异使得超声波在传播过程中，会发生强烈的折射、散射和衰减，就像一个调皮的孩子在充满障碍的迷宫里横冲直撞，导致传统超声成像方法难以重建出高质量的骨 SOS 图像。
传统的 SOS 重建方法大多依赖于飞行时间（time-of-flight，TOF）测量，它们简单地假设超声波沿着直线或略微弯曲的路径传播，却忽略了衍射和散射等复杂的波行为，这就好比在绘制地图时，只考虑了平坦的大道，却忽略了蜿蜒的小路和崎岖的山路，最终得到的重建图像分辨率低，还布满了各种伪影。
而全波形反演（Full waveform inversion，FWI）技术，原本是地球物理学中用于地下成像的 “神器”，近年来被引入到超声计算机断层扫描（ultrasound computed tomography，USCT）领域，在定量骨成像和超声经颅成像方面展现出了一定的潜力。它能考虑到高阶超声衍射和散射效应，理论上可以获得高分辨率的结构图像。但 FWI 也有自己的 “小脾气”，它具有非线性和不适定性，对初始 SOS 模型非常依赖。一旦初始模型与真实模型偏差较大，就容易出现 “跳周” 问题，而且计算量巨大，成像时间长。在骨骼内部，SOS 分布变化显著，尤其是在骨与软组织的界面处，较大的 SOS 对比度会产生伪影，让成像变得更加困难。
为了攻克这些难题，来自国内（文中研究经复旦大学伦理委员会批准，可推测研究人员来自国内相关机构 ）的研究人员开展了一项极具意义的研究。他们提出了一种名为 CEDD-Unet 的新型网络，致力于实现基于深度学习的全波形反演（DL-FWI）高分辨率超声骨成像。这项研究成果发表在《Computer Methods and Programs in Biomedicine》上，为超声骨成像领域带来了新的希望。
研究人员在这项研究中主要运用了以下关键技术方法：首先，构建了两个数据集，Dataset1 来源于人体下肢骨的体内 X 射线 CT 扫描，Dataset2 则是由小鼠腿部骨的微计算机断层扫描重建得到。每个数据集都包含大量的骨横截面切片，并按 8:2 的比例分为训练集和测试集。其次，设计了 CEDD-Unet 网络，该网络采用双解码器架构，第一个解码器负责重建 SOS 模型，第二个解码器用于寻找骨与软组织之间的主要边界。同时，在编码器中集成了卷积长短期记忆（Convolutional Long Short-Term Memory，ConvLSTM）模块，用于捕捉超声射频（Radio Frequency，RF）信号的多尺度时空特征；还嵌入了高效多尺度注意力（Efficient Multi-scale Attention，EMA）模块，以增强特征表示，提高重建精度。
下面来看看具体的研究结果：
- 与经典及前沿架构对比：研究人员将 CEDD-Unet 与三种经典重建架构（Unet、Unet++ 和 Att-Unet）以及四种前沿架构（InversionNet、DD-Net、UPFWI 和 DEFE-Unet）进行了全面比较。实验结果令人惊喜，在 Dataset1 和 Dataset2 上，CEDD-Unet 均表现出色，取得了最低的平均绝对误差（Mean Absolute Error，MAE），Dataset1 上为 23.30，Dataset2 上为 25.29；最高的结构相似性指数（Structural Similarity Index，SSIM），Dataset1 上为 0.9702，Dataset2 上为 0.9550；最高的峰值信噪比（Peak Signal to Noise Ratio，PSNR），Dataset1 上为 30.60 dB，Dataset2 上为 32.87 dB。这表明 CEDD-Unet 在重建高分辨率 SOS 分布方面，比其他网络更胜一筹，能够呈现出更清晰的骨骼边界，恢复更精确的骨微观结构。
- 与传统 FWI 对比：研究人员还将 CEDD-Unet 与不同初始模型的传统 FWI 进行了对比。结果显示，CEDD-Unet 生成的骨骼 SOS 重建图像更清晰，计算成本更低，而且摆脱了对初始模型的依赖。这充分体现了 CEDD-Unet 作为一种高效、准确的基于深度学习的超声骨成像解决方案的优势。
- 消融研究：研究人员通过消融研究，进一步验证了网络各组件的有效性。这就像是拆开一辆精心组装的汽车，看看每个零件单独对汽车性能的影响，结果发现 CEDD-Unet 中的每个组件都对其优异性能有着不可或缺的贡献。
最后，来归纳一下研究结论和讨论部分。这项研究成功提出了 CEDD-Unet 网络，为高分辨率超声骨成像提供了一种新的深度学习方法。该网络的双解码器架构，能够同时精确重建骨骼模型的 SOS 值和拟合骨与软组织的边界；ConvLSTM 模块有效捕捉了超声 RF 信号的时空特征；EMA 模块增强了特征表示能力。这些创新点使得 CEDD-Unet 在成像质量上远超传统方法和其他先进网络，大大提高了骨成像的分辨率，减少了伪影，为临床诊断和研究提供了更准确、更清晰的骨骼图像。这不仅有助于医生更准确地诊断骨骼相关疾病，还为后续的治疗方案制定提供了有力的支持，在生命科学和健康医学领域具有重要的应用价值和广阔的发展前景，为超声骨成像技术的进步注入了新的活力。
