通过基于mask的时空小波数据补全技术实现的高效矩阵超声计算机断层扫描

《Expert Systems with Applications》：Acquisition-efficient full-matrix ultrasound computed tomography via mask-aware spatiotemporal wavelet data completion

　　• 提出了一种用于乳腺USCT的稀疏FMC完成方法。• 传输欠采样支持更快的FMC采集速度。• 降低通道采样的方法支持更低成本的USCT硬件。• 小波和时间线索保留了振荡射频细节。• 具有掩码意识的门控机制通过稀疏射频数据改善了MVDR成像效果。

引言
最近的智能医疗图像系统表明，跨域特征融合可以提高异构医疗图像的分析能力（Li等人，2026a）。全矩阵捕获（FMC）是基于阵列的超声计算机断层扫描（USCT）中的一种重要采集策略。通过依次激活每个换能器元件并在所有接收元件处记录响应，FMC提供了用于相干图像重建的完整传输-接收射频（RF）波形。在乳腺USCT中，这种完整的通道数据支持使用圆形换能器阵列进行结构和定量成像（Balzer，2012；Duric，2013；Sandhu、Li、Roy、Schmidt和Duric，2015；Wu、Li、Su、Li和Lin，2025）。然而，FMC的实际应用受到采集时间和硬件复杂性的限制。对于具有数百个元件的阵列，顺序传输会产生大量的传输事件和庞大的数据量。在体积阵列成像中，全矩阵采集会限制帧率并需要高端设备（Dolmatov和Zhvyrblya，2024）；在体内乳腺USCT中，更长的采集窗口也会增加对受试者运动的敏感性。同时，阵列元件与接收通道之间的全一一映射会增加系统成本、功耗和数据吞吐量（McCall等人，2024）。这两个因素限制了高密度USCT系统的部署，尤其是在成像系统必须平衡采集效率、硬件预算和重建质量时。稀疏采集提供了一种解决这些限制的实际方法（Long、Chen、Liu和Tian，2023；Qi、Tian、Fu、Li和Chan，2023）。经典压缩感知理论已经证明，在适当的结构假设下，可以使用不完整的测量数据进行稳定的信号恢复（Candès、Romberg和Tao，2006；Donoho，2006）。减少传输事件的数量可以缩短扫描时间，而使用较少的活跃通道可以降低硬件成本。在智能工程系统中的相关研究也探讨了从低采样率测量中进行信号重建的问题，表明当感测带宽或采集资源受限时，学习重建方法可能是有用的（Xu、Gu、Huang、Liu等人，2025）。剩余的挑战是从足够接近全FMC测量的通道数据中恢复数据，以便进行后续的波束成形。这不是一个标准的自然图像恢复问题。传输-接收域中的射频数据包含振荡波前、尖锐的相位变换以及相邻时间切片之间的强依赖性。在幅度上看起来较小的误差仍可能降低自适应波束成形的效果，因为相位和频谱一致性对于估计空间协方差非常重要。

现有的插值和通用卷积网络在这种设置中存在局限性。插值效率高，但经常会在缺失的通道中引入相位偏移和幅度衰减。编码器-解码器网络（如U-Net）在计算上具有吸引力，但重复下采样会减弱精细结构；因此，引入了抗混叠和频谱选择性处理的频率感知变体（Ronneberger、Fischer和Brox，2015；Xing，2025）。在USCT中，基于学习的研究解决了稀疏传输重建、对训练数据多样性的鲁棒性、条件生成重建以及从稀疏数据中进行AI-物理重建的问题（Jush、Biele、Dueppenbecker和Maier，2023；Liu等人，2025；Liu、Wang、Ding和Yuchi，2021；Sheng等人，2024）。更广泛地说，经典波形反演、原始通道图像形成、学习辅助的全波形反演以及深度断层扫描或超声重建展示了处理不完整或高维测量的相关策略（Anwar、Yunker、Kettimuthu等人，2025；Nair、Washington、Tran、Reiter和Bell，2020；Pérez-Liva等人，2017；van Sloun、Cohen和Eldar，2020；Wang、Ye和Man，2020；Wang、Ye、Mueller和Fessler，2018）。几种最近的方法为高效采集的逆向成像提供了相关的设计原则。物理感知的无监督单像素成像在高度压缩的光学测量下联合优化了编码和重建（G?tz、Sch?fer、Rühe、Müllen和Baumgarten，2008）。单次结构照明显微镜结合了编码采集、双域网络和窗口化Transformer融合来恢复高频结构（Wang、Li、Li、Zhang和Wang，2011）。盲超光谱超分辨率整合了光谱带选择、核估计和扩散先验（Tanaka、Chen和Rodriguez，2024），而FCS-edNET结合了多尺度特征提取和去噪先验用于磁粒子图像去模糊（Siddiqui等人，2020）。对于多厂商CT，FedM2CT基于采集元数据进行重建，以应对几何形状和采样协议的变化（Zhang等人，2023）。总的来说，这些研究表明了在数据高效重建中结合采集信息、光谱建模和学习先验的价值。

FMC-RF完成针对波束成形之前的缺失相位敏感通道测量，并施加了特定的计算规模。直接的每位置全局注意力公式会将每个时间切片中的N2个传输-接收样本视为令牌；由于自注意力在令牌数量上是二次方的，因此成对交互的成本将按O(N4)的规模增长（Vaswani等人，2017）。ST-CWI-Net则使用具有掩码条件特征处理的局部卷积和小波操作，从而在不构建全局注意力矩阵的情况下保留了射频特定的空间、时间和频谱结构。先前关于子采样射频重建和修剪3D超声网络的工作同样将计算效率视为设计要求（Rauby、Xing、Porée、Gasse和Provost，2025；Yoon、Khan、Huh和Ye，2019）。在另一个3D声呐设置中，FPGA加速器展示了算法-硬件协同设计对于体积声学成像吞吐量的重要性（Zhao等人，2024）。由于完成过程应用于FMC张量的整个时间维度，因此恢复的保真度与参数数量和每个切片的FLOPs一起进行评估。本研究提出了ST-CWI-Net，这是一种用于乳腺USCT中稀疏FMC数据的具有掩码意识的时空小波网络。贡献总结如下：
1. 我们将稀疏FMC恢复表述为一个针对两种采集受限场景的智能通道数据完成问题：传输欠采样以实现更快的扫描，以及降低通道采样的以实现更低的系统实现成本。
2. 我们设计了一个跨域小波融合模块，该模块结合了空间卷积特征和小波域细节，使网络能够在避免过多全分辨率计算的同时恢复振荡波前。
3. 我们将相邻的时间射频切片和二进制采样掩码纳入网络，使模型在估计缺失的传输-接收样本时能够利用时间连续性和显式的采集模式信息。
4. 我们使用体内乳腺USCT数据在射频信号级别和波束成形图像级别评估了恢复的数据。结果表明，与插值、U-Net和全分辨率卷积基线相比，通道数据保真度和MVDR重建质量有所提高。

部分摘要
• 本研究中使用的USCT系统配置了一个包含N个元件的圆形换能器阵列，其中N表示系统特定的元件数量，该阵列浸没在水耦合介质中。在成像过程中，受试者处于俯卧姿势，以便乳腺组织自然悬浮在水中。FMC协议依次激活每个元件u（u=1,2,…,N）作为发射器发射超声脉冲。
• 数据集来自使用512元件环形阵列USCT系统进行的体内乳腺成像试验。数据集包括20名具有不同乳腺密度特征的受试者。所有20名受试者均使用相同的系统进行采集。全3D体积FMC数据是在3 MHz的换能器中心频率下采集的。
• 在选择时间切片之前，首先在受试者级别进行数据分割。随机选择了一个特定于受试者的连续时间间隔。

在采集受限采样下的RF恢复
实验旨在回答两个实际问题：首先，稀疏传输采集是否可以在足够的RF保真度下完成，以支持标准波束成形？其次，当活跃接收通道的数量减少时，智能完成模型能否恢复对B模式重建仍有用的通道数据？为了回答这些问题，将ST-CWI-Net与插值、U-Net和全分辨率卷积基线进行了比较。

讨论
结果表明，智能完成稀疏FMC数据是一种可行的策略，可以提高USCT的采集效率。在传输欠采样实验中，该模型恢复的缺失通道数据具有更高的信号相关性和更低的频谱失真，优于插值和通用卷积基线。这很重要，因为更快的采集可以减少患者运动影响乳腺USCT测量的时间。
结论
本文提出了ST-CWI-Net，这是一种用于采集受限FMC-USCT的智能数据完成框架。该方法在两种实际场景中进行了评估：传输欠采样以实现更快的采集，以及减少通道采样的以实现更低的系统实现成本。通过结合小波域细节恢复、时间上下文和具有掩码意识的建模，所提出的网络恢复了比插值、U-Net和全分辨率卷积更高RF保真度的稀疏FMC数据。