一种用于无对比度超声微血管成像的时空结构特征非局部均值去噪方法

《Ultrasonics》：A spatiotemporal structural-feature non-local means denoising approach for contrast-free ultrasound microvascular imaging

提出基于时空结构特征的快速非局部均值方法st-SFNLM，通过提取局部结构特征替代像素级计算，结合时空域处理增强去噪效率，在低信噪比和深部区域实现微血管血流信号的有效增强与噪声抑制，计算时间减少12-110倍，适用于临床实时应用。

　　

苏晓|王浩天|严一晨|楚汉冰|陈一然|王月圆|宗玉金|万明曦

中国西安交通大学生命科学技术学院，教育部生物医学信息工程重点实验室，西安710049

摘要

无对比度超声微血管成像（cf-UMI）在杂波过滤后仍存在大量残余噪声，这是由于非聚焦平面波采集导致的固有低信噪比所致，这严重限制了微弱微血管流动信号的可视化。尽管非局部均值（NLM）去噪方法已被证明有效，但其临床应用仍受到计算复杂性和对时间增益补偿（TGC）引起的强度变化的敏感性的限制。为了解决这些限制，我们提出了一种时空结构特征非局部均值（st-SFNLM）框架，以实现高效且稳健的去噪效果。首先，st-SFNLM引入了一种基于结构特征的相似性评估方法，替代了NLM中的逐像素块距离计算，从而降低了计算复杂度，并提高了对深度依赖的强度变化的鲁棒性。其次，st-SFNLM在时空域中进行去噪处理，而不是纯粹的空间域，利用血流信号的时间连续性来对抗噪声的时间随机性，从而提升了去噪性能。通过0.2–5毫米/秒速度的流动模拟实验和体内大鼠脑成像的全面验证表明，st-SFNLM在低信噪比和深部区域条件下实现了更好的微血管对比度和更优的去噪效果。此外，与传统NLM方法相比，st-SFNLM的计算时间减少了12–110倍，从而促进了其在临床cf-UMI中的实际应用。

引言

微血管可视化在多种疾病的早期检测、诊断和预后中起着关键作用，包括肿瘤、炎症和动脉硬化[1]、[2]、[3]、[4]。微血管的形态和功能特征，如血管密度、迂曲度和血流动力学，被广泛认为是疾病进展和治疗反应的宝贵生物标志物[5]。随着超快平面波（PW）成像和先进杂波滤波器的发展，超声微血管成像（UMI）能够以非常高的帧率（高达10 kHz）传输非聚焦PW，从而实现快速血流动态和缓慢微血管流动的可视化[6]、[7]、[8]、[9]、[10]、[11]、[12]。特别是无对比度UMI（cf-UMI）提供了一种非侵入性、安全、实时且经济高效的成像方式，避免了对比剂的限制，如不良反应、禁忌症、检查成本增加和监管约束，使其在临床疾病诊断和监测中具有吸引力。

然而，超快PW成像提供的丰富时空信息是以图像质量为代价的。由于PW传输是非聚焦的，声能分布在整个成像区域内，而不是集中在一个焦点上，导致信噪比（SNR）降低，穿透深度受限，与传统聚焦传输相比[13]、[14]。在没有对比剂增强的情况下，来自红细胞的回声本质上很弱，通常与噪声水平相当，这使得区分真实的微血管流动信号和各种噪声源（包括斑点噪声、电子噪声和热噪声）变得困难[13]、[15]。当应用时间增益补偿（TGC）来可视化更深区域（例如肥胖患者的深层肝实质、肾脏）时，这一挑战进一步加剧，因为TGC同时放大了血流信号和背景噪声[15]、[16]。结果，残余噪声会掩盖细小的血管结构，降低对微弱血流信号的敏感性，并限制定量血流动力分析的可靠性[17]。因此，有效的去噪方法对于推动cf-UMI的临床应用至关重要。

尽管现有的杂波滤波器，如奇异值分解（SVD）和鲁棒主成分分析（RPCA），在抑制组织杂波方面非常有效，但它们的去噪能力仍受到两个固有特征的根本限制。首先，从SVD或RPCA分解得到的每个时空分量不可避免地包含组织杂波、血流和噪声信号的混合，因为噪声能量分布在多个分量中，没有明确的分离边界[18]、[19]。其次，SVD和RPCA方法以全局方式分解整个时空数据集，其结果受全局主导统计分量的影响，导致微弱局部微血管细节的模糊[13]、[20]。

这些先进杂波滤波器的根本限制促使了后处理去噪策略的发展。早期的去噪方法主要集中在噪声均衡和去偏置[13]、[15]、[16]，这些方法估计并补偿空间变化的噪声场，以减轻TGC引起的噪声梯度，改善微血管结构在不同深度的均匀可视化。然而，这些方法并没有从根本上提高SNR，因为它们主要是对噪声分布进行归一化，而不是抑制潜在的随机噪声成分。鉴于微血管的管状形态，引入了形态学去噪方法，如顶帽滤波和基于Hessian的血管增强，以利用结构先验来分离血流信号和背景噪声[21]、[22]。尽管这些方法在增强血管状结构方面有效，但它们通常依赖于局部像素邻域和预定义的几何假设，这限制了它们对具有不同尺度和方向的复杂血管模式的适应性。相比之下，基于块的去噪方法，如块匹配3D（BM3D）去噪和非局部均值（NLM）去噪，采用了一种根本不同的策略，通过非局部块匹配利用图像自相似性，而不是局部几何约束[23]、[24]、[25]。这些方法识别较大空间区域内的相似块，并通过聚合来自多个重复结构的信息来进行协作滤波，从而在保持细小血管细节的同时实现有效的噪声抑制。然而，BM3D涉及多阶段变换域协作滤波，导致计算复杂度过高，不适合实时临床应用[24]。NLM提供了相对简单的算法结构，但其临床应用仍受到两个关键因素的限制：与数千帧超快成像数据相关的繁琐逐像素距离计算所带来的沉重计算负担，以及对TGC引起的深度依赖强度变化的敏感性[25]。

为了解决NLM的这些限制，同时保持其有效的去噪能力，我们提出了一种结构特征NLM（SFNLM）去噪方法，该方法利用局部结构特征来实现高效且稳健的块相似性估计，替代了传统NLM中使用的繁琐逐像素距离计算。这种重新构建大大降低了计算复杂度，同时保持了有效的噪声抑制并保留了细小的微血管结构。受到时空NLM（st-NLM）方法在利用时间冗余方面的成功启发[25]，我们进一步将空间SFNLM（s-SFNLM）扩展到时空域，提出了时空SFNLM（st-SFNLM），该方法同时利用空间自相似性和连续帧之间的时间连续性。这种时空扩展通过聚合来自空间和时间维度的信息，同时保持了快速相似性搜索策略的计算效率，从而实现了更优的去噪性能。所提出的s-SFNLM和st-SFNLM方法旨在作为标准SVD基杂波滤波器之后的后处理去噪步骤，解决当前微血管成像中限制敏感性和图像质量的残余噪声问题。本文的其余部分组织如下。第2节详细介绍了SFNLM及其时空扩展st-SFNLM的原理和数学公式。第3节描述了实验设置和评估指标。第4节通过血流模拟和体内大鼠脑实验比较了s-SFNLM和st-SFNLM与传统的空间NLM（s-NLM）和st-NLM的性能。第5节讨论和第6节结论分别进行了讨论和总结。

章节片段

理论与方法

经过波束成形和杂波过滤后，获得了一个含噪声的超声血流信号序列$U\in {?}^{n_z\times n_x\times n_t}$，其中$n_{}$$n_{}$$n_{}$分别表示空间轴向、侧向和时间维度。信号序列$U$可以表示为：$U=B+N，$，其中$N$表示血流信号，表示噪声信号。

流动模拟实验

流动模拟实验使用了一种无壁血管（内径800微米，倾斜角度15度）嵌入明胶-琼脂模拟体中进行。使用注射泵（TJ–2 A，保定 Longer Precision Pump Co., Ltd., Baoding, China）循环一种由5微米尼龙颗粒悬浮在甘油/右旋糖酐溶液中的仿血液体。平均流速设置为0.2、1和5毫米/秒。为了模拟组织运动，在模拟体的后表面固定了一个橡胶块。

结果

为了分离和量化结构特征相似性和时空处理的贡献，通过模拟和体内超声实验，将提出的st-SFNLM方法的去噪性能与s-NLM、st-NLM和s-SFNLM进行了比较。所有方法都在相同的SVD基杂波抑制后应用于相同的超声数据集。块配置和所有NLM相关参数在方法之间保持一致。

讨论

在这项研究中，我们提出了一种名为st-SFNLM的无对比度超声微血管成像（cf-UMI）去噪方法。该方法首先通过一阶泰勒展开和最小二乘拟合从血流信号中提取局部结构特征，用快速的基于特征的相似性估计替代了繁琐的逐像素距离计算。随后，这种SFNLM方法扩展到时空域，以利用连续帧之间的空间自相似性和时间连续性。

结论

在这项研究中，我们提出了一种用于cf-UMI的时空结构特征非局部均值滤波方法。所提出的st-SFNLM方法用从局部强度梯度派生的结构特征表示替代了逐像素强度比较，并将空间处理扩展到时空域，以利用血流信号的时间连贯性。st-SFNLM方法在模拟和体内实验中都表现出更好的性能。

CRediT作者贡献声明

苏晓：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，项目管理，方法学，形式分析，数据管理，概念化。王浩天：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法学，概念化。严一晨：验证，软件。楚汉冰：数据管理，概念化。陈一然：可视化，验证，概念化。王月圆：撰写 – 审稿与编辑，

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：万明曦报告称获得了国家自然科学基金的支持。如果还有其他作者，他们声明没有已知的可能会影响本文所报告工作的财务利益或个人关系。