摘要
目的：传统的全波形反演（FWI）方法用于超声计算机断层扫描（UCT）在计算上代价较高，并且对强声学对比度敏感。在这项工作中，我们提出了多通道换能器网络（CUCT-Net），这是一个深度学习框架，它可以直接将接收到的超声信号映射到图像空间输出，以实现量化声速（SoS）估计和在低对比度及高对比度区域进行直接的组织级分割，从而能够从原始测量数据中端到端地恢复由对比度驱动的结构和具有解剖学意义的结构。
方法：CUCT-Net采用多输入编码器-解码器架构，将原始的多静态UCT测量数据映射到量化的SoS（或组织类型）图谱，无需初始猜测或迭代优化。每个换能器的并行编码器提取特定视图的特征，这些特征由解码器融合和细化，同时使用移位单元（SU）在稀疏感知条件下增强细粒度特征建模。
实验在k波模拟上进行，使用了（i）受Shepp–Logan启发的圆盘模型（包括原始、扭曲和混合变体）以及（ii）基于DBB的解剖学脑模型，在清洁和噪声测量条件下进行。
结果：所提出的网络在合成模型和基于解剖学的模型实验中实现了准确的量化SoS估计和直接的组织级分割。通过迁移学习证明了其对噪声的强鲁棒性。与FWI相比，CUCT-Net显著降低了计算成本，同时在传感器数量减少的情况下仍保持了稳定的性能，适用于量化SoS估计和复杂组织异质性的分割。
结论：CUCT-Net将UCT视为一个直接的信号到图像的学习问题，支持量化SoS估计和组织级分割。通过从原始超声测量数据到量化SoS或组织表示的端到端映射学习，该框架绕过了迭代反演过程，在传感器数量减少和强对比度条件下实现了高效且鲁棒的性能。多输入架构能够有效整合来自多个换能器的信息，证明了数据驱动的端到端量化SoS估计和组织分割在UCT中的可行性和潜力。
