⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-02-15 更新
Learned Correction Methods for Ultrasound Computed Tomography Imaging Using Simplified Physics Models
Authors:Luke Lozenski, Hanchen Wang, Fu Li, Mark A. Anastasio, Brendt Wohlberg, Youzuo Lin, Umberto Villa
Ultrasound computed tomography (USCT) is an emerging modality for breast imaging. Image reconstruction methods that incorporate accurate wave physics produce high resolution quantitative images of acoustic properties but are computationally expensive. The use of a simplified linear model in reconstruction reduces computational expense at the cost of reduced accuracy. This work aims to systematically compare different learning approaches for USCT reconstruction utilizing simplified linear models. This work considered various learning approaches to compensate for errors stemming from a linearized wave propagation model: correction in the data and image domains. The resulting image reconstruction methods are systematically assessed, alongside data-driven and model-based methods, in four virtual imaging studies utilizing anatomically realistic numerical phantoms. Image quality was assessed utilizing relative root mean square error (RRMSE), structural similarity index measure (SSIM), and a task-based assessment for tumor detection. Correction in the measurement domain resulted in images with minor visual artifacts and highly accurate task performance. Correction in the image domain demonstrated a heavy bias on training data, resulting in hallucinations, but greater robustness to measurement noise. Combining both forms of correction performed best in terms of RRMSE and SSIM, at the cost of task performance. This work systematically assessed learned reconstruction methods incorporating an approximated physical model for USCT imaging. Results demonstrated the importance of incorporating physics, compared to data-driven methods. Learning a correction in the data domain led to better task performance and robust out-of-distribution generalization compared to correction in the image domain.
超声计算机断层扫描（USCT）是一种新兴的乳腺成像模式。结合精确波物理的成像重建方法能够产生高分辨率的声学特性定量图像，但计算成本较高。重建过程中使用简化的线性模型降低了计算成本，但准确性有所降低。这项工作旨在系统地比较使用简化线性模型的USCT重建的不同学习方法。这项工作考虑了各种学习方法来弥补由线性化波传播模型产生的误差：数据和图像领域内的校正。对所得图像重建方法进行了系统评估，并与数据驱动和基于模型的方法一起，在利用解剖真实数值幻影的四个虚拟成像研究中对各种方法进行了评估。利用相对均方根误差（RRMSE）、结构相似性指数度量（SSIM）和任务性能评估肿瘤检测来评估图像质量。测量领域的校正产生了具有轻微视觉伪影且任务执行高度准确的图像。图像领域的校正表现出对训练数据的强烈偏向，导致出现幻觉，但对测量噪声具有更大的稳健性。两种校正形式的结合在RRMSE和SSIM方面表现最佳，但任务执行成本较高。这项工作系统地评估了结合近似物理模型的USCT成像的学习重建方法。结果表明，与数据驱动方法相比，融入物理学的重要性。与图像领域的校正相比，在数据领域学习校正能更好地执行任务，并具有较强的跨分布泛化能力。
论文及项目相关链接
PDF 28 pages, 9 Figures
摘要
超声计算机断层扫描（USCT）是乳腺成像的新兴模式。结合准确波物理的图像重建方法能产生高分辨率的声学属性定量图像，但计算成本较高。重建中使用简化的线性模型降低了计算成本，但牺牲了准确性。这项工作旨在系统地比较使用简化线性模型的USCT重建的不同学习方案。本工作考虑了各种学习方法来补偿线性化波传播模型产生的误差：数据和图像领域的校正。所得到的图像重建方法，与数据驱动和模型基础的方法一起，在四项使用解剖现实数字幻影的虚拟成像研究中进行了系统评估。利用相对均方根误差（RRMSE）、结构相似性指数度量（SSIM）和任务性能评估肿瘤检测。测量域校正的图像具有较小的视觉伪影和任务性能准确。图像域的校正对训练数据表现出很大的偏见，导致出现幻觉，但对测量噪声表现出更大的稳健性。结合两种形式的校正方法在RRMSE和SSIM方面表现最佳，但牺牲了任务性能。这项工作系统地评估了结合近似物理模型的USCT成像的学习重建方法。结果表明，与数据驱动方法相比，融入物理学很重要。在数据领域学习校正带来了更好的任务性能和稳健的离分布泛化，相比于图像领域的校正。
关键见解
- USCT作为一种新兴乳腺成像技术，其图像重建方法需平衡计算成本和图像质量。
- 简化的线性模型在降低计算成本的同时可能牺牲图像准确性。
- 不同的学习方案用于USCT重建的效果各不相同，涉及数据和图像两个领域的校正方法被研究。
- 在虚拟成像研究中，通过测量域校正可减小视觉伪影并提高任务准确性。
- 图像域校正方法对训练数据存在偏见，容易产生幻觉，但对测量噪声较为稳健。
- 结合两种校正形式在相对均方根误差和结构相似性指数度量方面表现最佳。
点此查看论文截图
