基于变分网络声速重建不确定度估计的乳腺病灶可信度分级新策略

这篇研究创新性地将蒙特卡洛 dropout（MCD）和贝叶斯变分推断（BVI）引入变分网络（VN）声速（SoS）成像，通过量化重建不确定度实现多帧超声数据自动优选，显著提升BI-RADS 4类乳腺病灶良恶性鉴别效能（AUC达80%），为模型驱动式医学影像决策提供可解释性新范式。

　　

引言
乳腺恶性肿瘤的早期鉴别诊断面临重大挑战。传统超声B模式成像对BI-RADS 4类病灶（恶性概率2-95%）的鉴别能力有限，而基于组织生物力学特性的声速（speed-of-sound, SoS）成像展现出独特优势。脉冲回波超声通过虚拟源发射（VS）序列获取多帧位移图，但运动伪影、声影等噪声会显著影响重建质量。本研究首次将变分网络（variational network, VN）与不确定度估计结合，提出基于重建可信度的数据帧优选策略。

方法
声速成像与变分网络架构
SoS重建被建模为有限角CT逆问题：
x? = argmin_x
‖L(x-x₀
)-d‖_p

• λR(x)
  其中L为稀疏前向模型矩阵，d为15组VS位移测量值。VN通过展开式优化学习，其第k层迭代包含：
  x_k
  = x_k-1

• [(s_k
  L)^T
  ψ_k
  (s_k
  (Lx_k-1
  -d)) + λ?R(x_k-1
  )]
  正则化梯度?R(x)采用8×8卷积核的场专家模型，包含可学习的空间权重w_k
  ^(j)
  和非线性变换?_k
  ^(j)
  。

不确定度估计创新
蒙特卡洛 Dropout：在VN滤波器级实施伯努利掩码（p=0.25），100次采样计算像素级标准差。
贝叶斯变分推断：将滤波器参数建模为多元高斯分布N(μ, Σ)，通过Cholesky分解Σ=DD^T
实现高效采样，KL散度损失重构为：
KL ≈ αtr(DD^T
)-2tr(log(D))

帧选择策略
提出相对不确定度指标：
U_rel
= |U_inc
-U_bkg
|
其中背景区取病灶外5mm环带。相比传统绝对不确定度（SI^inc
），该指标在测试中展现更优的帧选择鲁棒性。

实验验证
模拟数据：混合10,000例射线基（RB）和840例k-Wave仿真数据训练，VN-MCD与VN-BVI的RMSE较基线VN降低约3%。
临床数据：21例BI-RADS 4患者（8例CA，13例FA）的SoS对比度Δc分析显示：

• SI^rel
  _BVI
  方案AUC达80%，显著优于随机帧选择（64%）
• 恶性病灶Δc中位数达25.7 m/s（良性组18.3 m/s，p<0.01）

讨论
该工作首次实现：① 声速重建不确定度的临床转化应用；② 基于VN的贝叶斯框架代数重构；③ 归一化不确定度指标设计。未来可扩展至其他定量超声参数（如衰减系数）的多模态联合分析。研究局限性包括样本量较小，且需验证对BI-RADS 3/5类病灶的适用性。

结论
通过将模型驱动学习与概率推理结合，该框架为超声定量成像提供了可解释的决策支持工具，其核心创新在于利用重建过程内在的不确定度实现数据质量自评估，这对推动人工智能辅助精准超声诊断具有范式意义。