基于多尺度时空深度学习的脑组织经颅超声粘弹性与流动性成像

《Ultrasonics》：Transcranial ultrasound viscoelasticity and fluidity imaging of brain tissue based on multi-scale spatiotemporal deep learning

　　

摘要脑组织力学特性在神经系统疾病中起着关键作用。然而，由于组织的两相组成和较小的剪切模量，无创表征受到阻碍。我们开发了一种利用多尺度时空深度学习进行经颅超声粘弹性和流体性成像的方法。该方法集成了多尺度金字塔卷积和混合损失函数，通过双分支处理克服了低信噪比信号和小剪切位移的限制，同时捕捉高频细节（300 Hz）和低频模式（100 Hz）。所提方法实现了脑组织的经颅超声粘弹性和流体性成像，与金字塔、变形和代价体网络（PWC-Net）相比，低频重建误差降低了 4%，并增强了高频信号保真度。该方法在仿真数据、仿体数据和离体动物数据上进行了验证，与现有方法相比，展示了半径 5.5 mm 处的双肿瘤成像能力，且具有定量优越的指标（SNR=17.43, CNR=5.64）。

引言脑组织的非线性力学特性，包括阻尼比、粘弹性和流体性，是新兴的生物标志物，在神经系统诊断和治疗中具有临床潜力 [1], [2], [3], [4], [5], [6]。最近的研究表明，肿瘤硬度与其类型和侵袭性相关 [7], [8], [9], [10]。与外观正常的脑实质相比，低级别胶质瘤（LGGs）显示出显著增加的硬度（??<0.001），而高级别胶质瘤（HGGs）则表现出明显的软化（??<0.001）。这些不同的力学特性使得胶质瘤分级具有 85.7% 的诊断灵敏度和 94.7% 的特异性 [10]。除了分类之外，脑组织的力学特性还涉及手术规划、术中监测以及优化靶向药物递送策略 [11], [12], [13]。

然而，测量脑组织的非线性力学特性构成了巨大的挑战，主要由于其独特的生物物理特性：(1) 极低的剪切模量：脑组织的剪切模量为 1–2 kPa，比外周组织软几个数量级 [14], [15]。(2) 两相性质：脑组织作为一种多孔的非线性固体，富含流体成分。灰质和白质的含水量分别为 0.83 g/mL 和 0.71 g/mL，其中固相和液相之间的相互作用严重影响力学测量 [16]。(3) 极度脆弱：脑组织在大应变下极易受损。在白质中，当变形超过 18% 时，细长的轴突纤维会发生断裂 [17]。(4) 高不可及性：克服重大障碍（如颅骨）以在不损害生物功能的情况下进行力学测试极具挑战性 [18]。因此，能够捕捉脑组织非线性力学特性（特别是两相行为）的无创方法至关重要。

磁共振弹性成像（MRE）凭借其无创性、高空间分辨率和定量分析能力，已成为评估脑组织生物力学特性的临床工具 [19], [20], [21]。然而，MRE 仍受限于低时间分辨率、不适合长期监测以及高成本 [22]。超快速超声平面波技术的进步使得剪切波弹性成像（SWE）成为可能。该技术通过超快速成像产生剪切波并追踪其传播，提供具有毫秒级时间分辨率且具有成本效益的生物力学测量。与 MRE 不同，SWE 有可能支持实时床旁和术中监测，直接解决了传统方法在便携性和动态评估方面的差距 [23]。然而，由于颅骨对超声和剪切波的影响，SWE 只能在非经颅条件下评估脑组织的力学特性。

我们的研究团队阐明了经颅剪切波产生机制，并开发了经颅剪切波成像（TSWI）以估计脑组织的粘弹性和流体性 [24], [25]。然而，由于经颅剪切波的低信噪比，重建描绘粘弹性和流体性的 2D 经颅参数图仍然具有挑战性。深度学习已扩展到超声弹性成像领域，能够增强对超声数据的解释和位移特征提取。这些技术为生物组织的 2D 粘弹性和流体性成像提供了潜在的解决方案 [26], [27], [28], [29], [30], [31]。

基于光流架构的深度学习框架近期已被采用于超声弹性成像，其中金字塔、变形和代价体网络（PWC-Net）及其变体最为突出 [30], [31], [32], [33], [34]。这些框架集成了专用的光流变形层，该层通过直接从解析光流方程得出的自定义 C++ 例程执行，从而在无需大量训练数据的情况下提供卓越的数值稳定性和跨模态泛化能力。尽管这些模型在追踪位移和重建剪切波群速度方面的有效性已得到验证，但它们通常忽略了生物组织的非线性色散特性。在波通过脑组织等两相介质传播过程中，解析不同的频率成分（例如 100–300 Hz）对于全面表征潜在的非线性力学特性至关重要。因为标准的 PWC-Net 架构依赖于统一的时空尺度，它在不同频段之间不可避免地存在权衡失效。

为了弥合这一差距，本研究引入了一种多尺度金字塔特征卷积网络（MPFC-Net），专门用于经颅多频率 SWS 重建和 2D 粘弹性 - 流体性映射。通过结合并行的金字塔卷积分支和混合损失函数，所提框架明确地从低信噪比位移数据中解耦并捕捉高频（300 Hz）和低频（100 Hz）的时空特征。最后，通过对预测的 SWS 场进行开尔文 - 沃伊特分数阶导数（KVFD）建模，推导出了组织弹性、粘性和流体性的 2D 参数图，并与传统的相位延迟算法和标准 PWC-Net 架构进行了基准测试。

章节片段方法论框架
如框架示意图所示（图 1），该方法论依次包括：(1) 输入位移的时间尺度划分，(2) 双分支金字塔特征提取，(3) 基于代价体的分层速度预测，以及 (4) 通过 KVFD 建模推导流变参数：

剪切波速度成像质量比较
本节提供了综合分析，使用仿真、仿体和离体动物测试数据集评估经颅 SWS 成像性能，比较了相位延迟分析、PWC-Net 和所提出的 MPFC-Net。

讨论
本研究引入了 MPFC-Net，显著增强了高频/低频经颅 SWS 成像，并开创了脑组织 2D 粘弹性 - 流体性表征的先河。我们的方法克服了低信噪比经颅超声信号和小幅度剪切波位移所施加的限制。与相位延迟分析和 PWC-Net 进行的全面基准测试证明了 MPFC-Net 在多项指标上的优越性。然而，观察到的性能在不同空间位置之间存在变化

结论
本研究提出了一种多尺度深度学习模型，增强了跨频带的经颅剪切波速度成像。我们的方法克服了经颅超声的固有局限性，特别是剪切波测量中的低信噪比和小位移幅度，首次实现了脑组织的 2D 粘弹性和流体性成像。所提架构采用分层输入 - 输出连接和金字塔特征

CRediT 作者贡献声明
Jianjun Yu：写作 – 原稿，可视化，验证，方法论，调查，形式分析，数据整理，概念化。Jiacheng Liu：软件，方法论。Chaoyang Zhang：方法论，数据整理。Yiran Chen：写作 – 审阅和编辑，数据整理。Muqing Lin：写作 – 审阅和编辑，软件。Hongmei Zhang：写作 – 原稿。Mingxi Wan：写作 – 审阅和编辑，验证，监督，资金获取，概念化。

竞争利益声明
作者声明以下财务利益/个人关系，这些可能被视为潜在的利益冲突：Mingxi Wan 报告获得了中国国家自然科学基金的财务支持。如果有其他作者，他们声明没有已知的竞争财务利益或个人关系，这些关系可能会影响本论文中报告的工作。

致谢
本研究得到了国家自然科学基金的支持，批准号为 81827801, 32071369, 82227804。

Jianjun Yu|Jiacheng Liu|Chaoyang Zhang|Yiran Chen|Muqing Lin|Hongmei Zhang|Mingxi Wan
教育部生物医学信息工程重点实验室，生命科学与技术学院生物医学工程系，西安交通大学，中国陕西西安 710049