利用基于自监督深度学习的IQ去噪技术，提高阴茎振动超声弹性成像中对剪切波速度的分析精度

《Ultrasonics》：Improving shear-wave speed analysis in penile vibro-ultrasound elastography using self-supervised deep learning–based IQ denoising

　　

摘要

目的

超声振动弹性成像（UVE）通过外部诱导的剪切波来估计组织硬度。在阴茎等圆柱形结构中，反射和多方向干涉会产生复杂的波场，从而降低采集的可靠性。本研究的目的是开发一个基于深度学习的框架，以改进剪切波速度（SWS）的分析。

方法

提出了一个基于深度学习（3D U-Net）的智能降噪框架，在基于物理的分析之前抑制反射波、干涉波和不可传播的波场成分。该框架处理测量的IQ波场，并使用基于波的滤波（LPVI-WBF）算法重建SWS。一个两阶段的质量控制流程使用阈值τ_keep = 0.45和τ_rel = 0.33将采集结果分类为“良好”、“边缘”或“不良”。该网络在Cohort A（10名患者，342次采集）上通过自我监督的Noise2Self进行训练，并在独立的Cohort B（6名患者，902次采集）和模拟队列（n = 90）上进行评估。

结果

在Cohort B中，深度学习（DL）恢复了376/403次“边缘”采集（93.3%），并保留了89.4%的“良好”采集结果，使通过率从38.7%提高到91.8%（+53.1%）。恢复的SWS分布与原始“良好”分布在统计学上没有差异：独立比较（n = 227 vs 376）得出的δ = ±0.099 m/s（TOST p < 0.0001），198对匹配对确认δ = ±0.161 m/s——均远低于±0.30 m/s的临床阈值。在模拟中，“边缘”采集的可靠性从0.239提高到0.503（n = 35；Δ = +0.264，p < 0.0001），配对SWS的等效性在±0.50 m/s的范围内。

结论

基于自我监督的深度学习的智能降噪作为处理SWS数据的可靠性重建器，扩大了可用于基于物理分析的采集范围，同时保持基于物理的LPVI-WBF分析方法不变。

引言

超声弹性成像提供了一种非侵入性方法，通过测量机械诱导的剪切波的传播速度来评估组织的机械性能。在振动超声弹性成像（UVE）中，外部施加的谐波振动产生剪切波，这些剪切波通过超声成像进行追踪，从而可以从测量的位移场中估计剪切波速度（SWS）[1]。在理想条件下，剪切波近似以定向行波的形式传播，允许进行准静态应变成像，并且对于剪切波，可以使用基于相位的或飞行时间的估计器来恢复定量硬度信息[2]、[3]、[4]。

实际上，生物组织中的波传播通常要复杂得多[3]。结构异质性、组织边界和几何约束会产生波反射、驻波和多方向干涉模式，这些都会违反许多剪切波估计器的假设[5]、[6]、[7]。这一挑战在阴茎弹性成像中尤为明显，因为海绵体的圆柱形几何形状和周围的解剖边界会产生复杂的传播场[8]、[9]，这在更广泛的弹性成像文献中早已被认识到[10]。这些效应导致相位不连续性和空间上异质的波模式，使得大量采集结果无法满足基于物理分析的可靠性要求。阴茎弹性成像已被研究作为评估与勃起功能障碍和佩罗尼病等临床状况相关的组织机械性能的潜在工具[11]、[12]，但可靠的波传播仍然是一个主要限制。

之前在超声弹性成像中的研究主要集中在提高硬度估计器的准确性和鲁棒性[13]。信号处理方法，如定向滤波和频率-波数分析，已被广泛用于分离行波成分并抑制反射波或驻波模式[4]、[14]。然而，这些技术通常假设测量到的位移场已经包含了足够连贯的波传播[8]。在许多实际测量中，限制因素不是估计器的偏差，而是采集层面的可靠性。当测量的波场缺乏定向传播时，无论使用何种反演算法，可靠的硬度估计都变得困难[4]、[8]、[15]。

最近的研究探索了在处理链的几个阶段应用深度学习（DL）方法于超声弹性成像。在准静态（应变）弹性成像中，卷积神经网络已被应用于位移估计步骤，要么与基于优化的追踪结合使用，其中DL为随后的规范化优化提供初始化[16]，要么作为适应射频超声数据高频特性的端到端位移估计器[17]。最近，自我监督和无监督的公式消除了对标记训练数据的需求：提出了一种基于物理原理的无监督网络用于剪切波速度估计，通过在前向建模粘弹性介质中的波动方程进行训练[18]；一种自我监督的光流框架（SMURF）已被应用于B模式应变弹性成像[19]；并且从组织力学中衍生出的物理约束被用于无监督的规范化侧向应变成像[20]。

同时，自我监督的降噪方法，如Noise2Self和Noise2Void，使得神经网络可以直接在噪声测量数据上训练，而无需干净的参考数据[21]、[22]，而Noise2Noise则建立了从成对噪声观测数据中恢复学习的方法[23]。尽管端到端的DL估计器可能实现准确的预测，但它们通常会降低反演过程的物理可解释性[24]、[25]。与上述方法不同，本工作将自我监督学习应用于估计器之前的采集可靠性问题，而不改变基于物理的反演过程。

在这项工作中，我们提出了一个基于DL的自我监督智能降噪框架，旨在在基于物理的硬度反演之前对测量的IQ波场进行降噪——抑制反射波、干涉波和不可传播的成分。降噪网络直接作用于测量的超声IQ波场，以提高传播的连贯性，而SWS重建则使用不变的基于波的滤波（LPVI-WBF）估计器[2]、[4]进行。在本文中，“IQ波场”一词表示在波束成形和解调后获得的复数同相/正交（IQ）数据的时空序列，其相位编码了振动引起的组织运动。因此，降噪网络直接作用于复数IQ信号本身，而不是基于该信号的粒子速度或位移场。通过保留底层的物理反演过程，所提出的方法提高了采集的可靠性，而不影响生物力学的可解释性[24]。该框架的核心设计原则是，网络应作为一个可靠性重建器——增加传播可靠性的比例，从而使更多的采集结果可用于后续的基于物理的分析——而不是作为一个覆盖测量值的SWS修改器。

本工作的主要贡献有三点。首先，我们提出了一种基于DL的自我监督智能降噪策略，旨在提高采集的可靠性。其次，我们证明了所提出的方法显著增加了活体阴茎弹性成像中具有可靠剪切波传播的采集比例。第三，通过匹配的统计分析和等效性测试，我们展示了降噪过程在保持定量SWS估计的同时提高了传播的连贯性。

部分片段

参与者

在获得梅奥诊所机构审查委员会的批准后，从泌尿科的性医学诊所招募了两组患者[26]。所有参与者均签署了书面知情同意书。Cohort A包括2017年5月至8月间招募的十名男性，他们在临床评估勃起功能障碍或佩罗尼病时接受了阴茎振动超声弹性成像（PVE）。测量数据来自

数据采集

本研究中使用的患者数据是通过阴茎超声振动弹性成像（PUVE）系统获得的。在Cohort A中，每个受试者在两种生理状态（松弛和勃起）下接受了检查。对于每种状态，从左侧和右侧海绵体都进行了测量

讨论

本研究表明，基于DL的智能降噪显著提高了振动超声弹性成像的采集可靠性，同时保持了基于物理的硬度估计。

结论

可靠的剪切波传播是定量弹性成像的关键前提，但在实际测量中常常受到噪声、运动伪影和去相关性的限制。本研究证明，基于自我监督的深度学习的智能降噪可以显著提高采集可靠性，同时保持基于物理的硬度估计。在一个完全外部的Cohort B（6名患者，902次原始采集；n = 657次在时间稳定性过滤和成功的LPVI之后进行评估）中

CRediT作者贡献声明

Ngoc Thang Bui：撰写——原始草稿，可视化，软件，方法学，数据整理，概念化。Matt J. Ziegelmann：撰写——审查与编辑，资金获取，数据整理。Tobias S. Kohler：撰写——审查与编辑。Xiaoming Zhang：撰写——审查与编辑，可视化，验证，项目管理，方法学，调查，概念化。

资助

北美性医学学会青年临床医生研究资助。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

我们想感谢Jennifer Poston女士对手稿的编辑工作。

Ngoc Thang Bui|Matt J. Ziegelmann|Tobias S. Kohler|Xiaoming Zhang

梅奥诊所放射科，明尼苏达州罗切斯特，55905，美国