一种基于量子启发的调制与残差扩散的超声心动图散斑去噪方法

《Displays》：A quantum inspired modulation and residual diffusion based method for speckle denoising in echocardiography

　　

•RS-TBC-SE-U-Net将特征调制与单步残差细化相结合。
•布洛赫球面几何用于超声去噪中的特征调制参数化。
•对数域残差细化仅需一次网络评估。
•评估涵盖受控噪声、外部心脏数据以及真实肺部超声图像。

引言
医学超声成像因其无电离辐射、实时成像、成本相对较低以及广泛的临床可及性，被广泛应用于疾病筛查、诊断和动态监测。与计算机断层扫描和磁共振成像相比，超声系统更具便携性，能够在床边检查、急诊评估和长期随访中提供即时成像信息，使其在临床实践中极具价值[1]。在心血管疾病管理中，超声心动图是评估心脏结构、室壁运动、瓣膜功能和整体心脏功能的重要工具。左心室射血分数等定量指标被广泛用于心力衰竭评估、治疗计划制定和预后评价[2]。因此，超声心动图图像的质量直接影响解剖结构识别、边界勾勒以及定量测量的可靠性，提升超声图像质量对于后续临床分析至关重要。

然而，超声成像依赖于相干回波信号，组织中大量亚分辨散射体的干扰导致了斑点噪声。斑点噪声通常被表征为与回波强度相关的乘性退化。它降低了图像对比度，削弱了弱边界、精细结构和局部纹理的可见性。对于超声心动图图像，强烈的斑点噪声可能干扰对心肌边界、心腔轮廓和局部组织结构的解释，进一步影响后续的分割、测量和计算机辅助诊断任务。因此，在抑制斑点噪声的同时保留组织边缘和纹理保真度是超声图像复原中的关键问题[3]。

早期的超声斑点抑制方法主要依赖于滤波、扩散方程和手工设计的先验建模。经典的局部统计滤波器，如Lee滤波器和Kuan滤波器[4]、[5]，通过估计局部统计量来抑制信号相关噪声，已被广泛应用于斑点噪声抑制。BM3D等协同滤波方法[6]利用非局部块相似性和稀疏三维变换域协同滤波来提高图像去噪性能。此外，稀疏表示和字典学习方法[7]利用学习到的字典或稀疏先验对图像块进行建模，为图像去噪和复原提供了另一个重要的深度学习前的方向。先前的综述研究总结了传统超声斑点去除方法的发展，包括局部统计滤波、各向异性扩散、非局部建模、变换域处理和变分优化策略[8]。斑点抑制各向异性扩散将各向异性扩散引入斑点噪声抑制，并利用局部统计信息控制均匀区域的平滑和边界附近的边缘保持，使其成为代表性的传统超声斑点去除方法[9]。后来，非局部均值及其面向超声的扩展优化贝叶斯非局部均值进一步利用了图像块之间的非局部相似性，在一定程度上缓解了局部滤波导致的细节丢失[10]。基于这一思想，非局部低秩框架联合利用了块冗余和低秩结构先验，改善了对重复纹理和局部结构的建模[11]。此外，非局部变分模型和多尺度相干扩散方法将变分优化、多尺度分解和扩散过程引入超声斑点去除，使传统模型驱动方法能够在结构保持和噪声抑制之间实现更灵活的平衡[12]、[13]。这些方法通常不需要大规模训练数据，并且具有相对较好的可解释性。然而，它们的性能往往受到参数选择、噪声模型假设和图像结构复杂性的影响。在强斑点噪声、弱边界或复杂组织纹理区域，它们仍可能出现过度平滑、残留噪声或结构模糊。

随着深度学习的发展，数据驱动的超声图像去噪方法逐渐成为一个重要的研究方向。U-Net及其变体通过编码器、解码器和跳跃连接结构将高层语义信息与浅层空间细节相结合，因此被广泛应用于医学图像复原任务[14]。基于该架构，压缩-激励模块通过通道注意力重新校准特征响应，有助于增强信息丰富的结构通道并抑制无关的噪声响应[15]。相关研究进一步将SE模块引入U-Net，用于超声心动图图像增强和斑点噪声抑制[16]。此外，去噪自编码器、带跳跃连接的DAE以及各种CNN斑点去除网络已被用于学习从含噪图像到复原图像的非线性映射[17]、[18]。除监督CNN方法外，Pix2Pix和CycleGAN将去噪 formulation为图像到图像的翻译任务，可以改善复原图像的视觉外观，但对抗训练可能引入不稳定的纹理或结构伪影[19]、[20]。为降低对干净真值的依赖，自监督方法如Noise2Noise、Noise2Void、Neighbor2Neighbor和Speckle2Self利用含噪图像对、盲点预测或邻域采样构建训练目标，使其适用于真实医学图像去噪场景[21]、[22]、[23]、[24]。近年来，现代图像复原网络如NAFNet、Dual-TranSpeckle、Restormer和Uformer进一步改进了分层特征表示、长程依赖建模和高质量图像重建[25]、[26]、[27]、[28]。然而，大多数这些方法仍然依赖于训练噪声分布或通用图像复原假设，通常不会显式建模超声斑点噪声的乘性退化特性或其强度变化。因此，当测试图像涉及跨数据集差异或未知真实斑点噪声时，仍可能出现残留噪声、过度平滑或不稳定的结构复原。

为了解决现有深度学习方法在建模真实噪声分布和泛化方面的局限性，扩散模型为图像复原提供了一种有前景的替代方案。与直接学习从含噪到干净的映射的确定性去噪网络不同，去噪扩散概率模型通过前向加噪过程和反向去噪过程学习数据分布，从而为图像复原提供更强的先验建模框架[29]。基于该框架，SR3、Palette和潜在扩散进一步将扩散模型扩展到超分辨率、图像到图像翻译和高分辨率图像合成，其中基于U-Net的去噪网络通常作为反向扩散过程中的核心结构[30]、[31]、[32]。此外，ResDiff和DiffIR尝试提高扩散模型在图像复原中的效率，或将CNN骨干与扩散模型结合以增强细节恢复[33]、[34]。RDDM进一步将扩散过程解耦为残差扩散和噪声扩散，为图像复原提供了可解释的残差建模框架[35]。ResShift通过在高质量图像和低质量图像之间转移残差来提高扩散模型效率，从而减少图像复原所需的采样步数[36]。ResFusion进一步将先验残差噪声引入基于扩散的图像复原，并从退化图像开始反向过程，为高效复原提供了另一种残差噪声先验策略[37]。这些研究表明扩散模型具有强大的图像先验表示能力，残差建模是提高基于扩散的图像复原效率和可解释性的有效策略。

然而，标准DDPM通常基于加性高斯扰动构建扩散过程，而超声斑点噪声具有信号相关的乘性退化特性。直接将普通扩散模型应用于超声斑点去噪可能不足以描述斑点噪声与组织回波强度之间的耦合。为解决这一问题，最近的研究已将扩散模型应用于超声图像去噪和平波超声图像增强[38]、[39]。其中，SDDPM进一步建模了斑点噪声的乘性特性，并使用对数域近似将乘性斑点扰动转换为更适合高斯扩散建模的形式[40]。这为更符合超声斑点噪声成像物理特性的扩散建模提供了基础。与一般的残差扩散框架不同，所提出的残差-SDDPM分支将残差细化约束在超声斑点噪声的对数域残差空间中，使残差修正更与斑点的乘性退化特性一致。

尽管如此，直接使用扩散模型生成完整干净图像仍存在一定的局限性。一方面，扩散模型通常需要相对复杂的采样过程，增加了计算成本。另一方面，医学超声图像需要较高的结构保真度，在完整图像空间中的渐进式生成可能引入组织边界偏移、过度纹理重建或细微结构失真。最近的研究也表明，在医学图像去噪中扩散模型并不总是优于确定性去噪网络，这表明在利用扩散模型的先验建模能力同时避免结构过度重建是重要的[41]。基于这一考虑，我们认为更合适的策略是首先使用基于U-Net的骨干网络进行主要结构复原，然后将SDDPM约束在对数域残差空间中，使其仅对骨干输出周围的残差斑点扰动进行局部细化。

除了扩散分支与骨干网络的协作之外，另一个关键问题是如何有效地表示不同斑点噪声强度下的条件信息。传统去噪网络通常将噪声强度作为标量条件或简单的时间步嵌入。然而，此类表示在描述不同噪声条件及其对应特征响应之间的结构化关系方面可能存在局限。近年来，量子及量子启发模型为结构化状态表示和网络设计提供了新思路。例如，量子生成学习已与扩散概率建模相结合[42]。量子隐式神经网络也被引入基于扩散的图像生成中，表明量子参数化表示可以与扩散建模结合[43]。此外，混合量子-经典模块已被探索用于增强神经网络表示[44]。量子启发思想也被引入图像去噪，表明量子相关的参数化可以为图像处理提供有用的结构化表示[45]。

尽管这些研究表明量子及量子启发方法在生成建模、图像处理和网络表示方面具有潜力，但大多数研究关注量子数据生成、自然图像生成或通用图像去噪。对于医学超声斑点噪声抑制，如何利用量子启发的状态表示来描述不同斑点噪声条件并进一步调制去噪网络特征尚未得到充分探索。因此，本研究引入了利用布洛赫球面几何来参数化特征调制的TBC机制。所给定的噪声条件首先经过正弦编码和多层感知机处理以获取条件嵌入。然后学习的映射为每个通道生成角度、调制幅度和加性偏移，用于在SE-U-Net骨干中调制特征。

基于上述分析，医学超声斑点噪声抑制仍面临着在不同噪声强度下保持组织结构、建模乘性噪声以及泛化到真实超声图像的挑战。因此，本研究提出了RS-TBC-SE-U-Net用于医学超声斑点噪声抑制。该网络由SE-U-Net骨干、TBC条件机制和残差-SDDPM细化分支组成。具体而言，SE-U-Net骨干首先对含噪超声图像进行初步结构复原并生成稳定的基本去噪结果。TBC机制利用所给定的噪声条件生成调制SE-U-Net骨干特征的参数。残差-SDDPM不直接生成完整干净图像，而是在对数域残差空间中围绕骨干输出执行局部残差细化。最后，lambda门控重建控制残差分支的修正强度，降低由扩散分支引起的过度结构重建风险。通过这种设计，RS-TBC-SE-U-Net在斑点抑制、结构保持和真实场景泛化之间取得了更好的平衡。

本研究的主要贡献总结如下：
1. 我们提出了RS-TBC-SE-U-Net用于医学超声斑点噪声抑制。该方法使用SE-U-Net作为基本去噪骨干，并结合TBC条件机制与残差-SDDPM细化分支，以改进在评估的斑点噪声强度设置下的复原稳定性。
2. 我们设计了一种TBC机制，利用布洛赫球面几何来参数化SE-U-Net骨干中的特征调制。所给定的噪声条件用于生成每个通道的角度、调制幅度和加性偏移。

这些角度决定了布洛赫矢量分量，用于加权两个学习的通道变换和原始特征。3. 我们构建了一个受扩散模型启发的对数域残差细化分支。该分支预测一个残差噪声项，并利用解析关系通过单次网络评估来估计干净残差。一个残差门控控制该修正项对初步骨干网络输出的贡献。4. 我们在相同的超声心动图数据集、跨数据集超声心动图设置以及真实肺部超声图像上进行了实验。实验结果表明，所提出的方法在可控斑点噪声抑制、跨数据集泛化和真实斑点噪声场景中均实现了稳定的整体性能。本文其余部分组织如下。第2节介绍所提出的RS-TBC-SE-U-Net方法，包括SE-U-Net骨干网络、量子启发的Timestep Bloch Conditioning机制、SDDPM公式、基于SDDPM的残差细化网络以及整体RS-TBC-SE-U-Net框架。第3节描述实验设置，包括数据集和噪声设置、比较方法、评估指标和公平性协议。随后呈现敏感性分析和条件策略比较，接着是可控斑点噪声抑制、跨数据集超声心动图评估和真实肺部超声泛化的主要结果。最后报告组件消融、残差预测目标比较和复杂度分析。第4节总结本研究并讨论未来工作。各节摘要方法本节介绍所提出的用于超声斑点噪声抑制的RS-TBC-SE-U-Net框架。该框架首先使用TBC-SE-U-Net骨干网络获得初步恢复图像。在骨干网络中，TBC使用提供的噪声条件生成用于特征调制的参数。一个受扩散模型启发的单步残差细化模块随后在对数域中估计修正量，残差门控控制其对最终输出的贡献。以下各子节实验设置为了系统地评估所提方法在受控噪声、跨数据集和真实噪声场景下的有效性，设计了三组实验。Test1评估在同一超声心动图数据集上的可控斑点噪声抑制，其中向测试图像添加不同强度的合成乘性斑点噪声，以评估模型在不同噪声水平下的去噪性能。Test2通过测试来评估跨数据集泛化能力结论与未来工作本研究提出了RS-TBC-SE-U-Net用于医学超声斑点噪声抑制，该方法结合了量子启发的条件调制与对数域中的残差噪声预测和单步恢复。该方法使用SE-U-Net作为基础去噪骨干网络以生成稳定的初步恢复图像。TBC机制使用正弦编码和MLP获得所提供噪声条件的嵌入，并从中生成角度、调制幅度和加性伦理批准Test2中使用的临床超声心动图数据已获得中国人民解放军总医院医学伦理委员会批准（批准号S2019-319-01）。利益冲突声明作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。致谢本研究得到国家自然科学基金（62376252, 62571374, U25A20450, 82302198）；浙江省自然科学基金迈瑞联合基金（LMRY26H180015）；浙江省领军鹅计划（2025C02025）；浙江省省域协同创新计划（2025SDXT004-3）以及金华科技局（批准号2025-4-008）的支持。Huaian Zhou|Yijian Shi|Yujiao Deng|Huiling Chen|Yukun Luo|Huiying Xu|Yue Hu|Zhendong Chen|Yucheng Hu|Lin Li|Zijian Zhang|Shoujun Huang|Shanfu Lu|Xinzhong Zhu