基于深度学习的图像域超声测温技术，用于高温及消融温度范围内的无创二维热分布成像

《IEEE Access》：Deep-Learning-Based Image-Domain Ultrasound Thermometry for Non-Invasive 2D Thermal Mapping Across Hyperthermia and Ablation Temperature Regimes

　　

摘要：

在热疗中，尤其是高热疗法和热消融治疗中，空间分辨率较高的温度监测至关重要，因为治疗的成效与安全性取决于目标区域内的热量强度及分布情况。传统的侵入式传感器虽能提供精确的点状测量数据，但其点状特性限制了对复杂二维热场的描述。此外，目前还没有成熟的商业解决方案能够直接通过标准的B模式超声图像，在高热疗法和热消融过程中实现密集的二维温度映射。本研究将图像域超声温度测量视为一种基于B模式数据学习的序数型密集预测问题。研究团队构建了一个多模态实验平台，该平台使用了石墨-琼脂糖肌肉模拟模型、超声技术、红外热成像以及具有深度分辨率的内部温度参考源。通过结合投影的红外信息与内部参考测量值，构建出了事件型的热目标，随后将20–65°C范围内的温度估算转化为序数型的像素级预测任务。研究人员使用带有Xception编码器及加权软序数损失函数的DeepLabv3+模型，无需射频信号、相位敏感处理或专用温度测量设备，即可从B模式图像中推断出密集的热图。在独立测试中，该模型的平均绝对误差为1.30°C，均方根误差为2.11°C，偏差为-0.39°C。在20–45°C范围内，区间平均绝对误差/均方根误差分别为1.20/2.16°C；45–50°C范围内为2.38/3.81°C；50–60°C范围内为1.54/2.33°C；60–65°C范围内为1.09/2.46°C。在45–50°C和50–60°C两个温度区间内，模型的数据保留率分别为55.39%和88.06%，对应的F1分数分别为0.62和0.81。这些研究结果表明，利用标准B模式超声图像可以实现高热疗法和热消融治疗过程中的空间温度估算，进而完成密集的温度映射。