文献速递神经技术与安全US

双探头经颅全波形反演:脑模体可行性研究

Dual-Probe Transcranial Full-Waveform Inversion: A Brain Phantom Feasibility Study.
PubMed 文献 · Ultrasound Med Biol · 2023-07-18

本研究构建2:5比例脑与颅骨模拟模体,使用商用低频心脏探头搭建断层超声采集系统,首次用实验数据完成全波形反演(FWI)重建脑模体。结果表明经颅FWI可成功恢复颅骨模拟层内脑模体的高分辨率二维声学模型,经反射匹配算法处理颅骨模拟材料影响后,为成人经颅超声FWI的临床转化提供了有希望的一步。

要点

  • 首次用实验采集的断层超声数据完成经颅全波形反演脑模体重建。
  • 采用商用低频心脏探头(P4-1 ATL,频率范围0.55–3.50 MHz)搭建双探头采集系统。
  • 颅骨模拟层内脑模体可被FWI成功重建,反射匹配算法用于建模颅骨层形态。

核心结论

  • 研究首次证明FWI可利用实验采集的断层超声数据,在颅骨模拟层包围下重建脑模体的高分辨率二维声学模型。
  • 研究结果为FWI用于成人经颅超声成像的临床转化提供了有希望的一步。

研究设计与样本

  • 研究为模体可行性研究,使用2:5比例脑模体,外包3-D打印颅骨模拟层,模拟临床经颅成像目标。
  • 采用一对商用低频心脏探头(P4-1 ATL,Philips Healthcare,Bothell,WA,USA)搭建断层超声采集系统,配合线性与旋转马达定位。
  • FWI重建使用实验采集的断层数据,并与对应合成重建比较,以评估不同换能器阵列配置下成像系统的可行性。
  • 为减轻颅骨模拟材料影响,在反演前应用反射匹配算法建模颅骨层形态。

关键影像表现/征象

  • 脑模体由外层白质层(约1500 m/s)、内层灰质层(约1520 m/s)和中央充水腔组成,形成三个声速对比区域。
  • 颅骨模拟层采用Formlabs Clear Resin光聚合物树脂3-D打印,实测声速为2545 ± 11 m/s,落在理想颅骨模拟材料声速范围内。
  • 2:5比例颅骨模型宽60.54 mm、长78.87 mm、高130.00 mm,平均厚度2.24 ± 0.48 mm。

诊断标准与关键数值

  • FWI通过迭代优化观测数据与数值合成波场数据之间的失配来更新声学模型。
  • 颅骨模拟层理想声速范围为2526.95 ± 320.00 m/s,基于5.00 mm厚典型颅骨截面模型计算。
  • 典型颅骨截面模型总厚度5.00 mm,由外层皮质骨2.13 mm、中央松质骨1.90 mm和内层皮质骨1.47 mm组成,超声穿越时间为2.21 ± 0.28 μs。
  • P4-1探头元件宽度约2.45 × 10−1 mm,小于FWI所用最小波长9.25 × 10−1 mm,元件可视为点源和点接收器。
  • 环阵配置包含3072个换能器元件、32个探头位置,优化变量为97个。

临床应用与阅片要点

  • 研究采用双探头对向共面布置,通过线性与旋转马达增加探头位置和方向,以扩大成像孔径。
  • 每个源元件的采集取8次连续发射事件的平均值,发射间隔为6.0 × 10−4 s,以提高信噪比。
  • 研究比较了线性阵列配置和环阵配置两种换能器阵列配置对成像可行性的影响。
  • FWI方法易陷入局部极小值,初始模型条件需足够接近全局极小值附近以避免错误重建;循环跳跃现象在环阵脑模体重建结果中有所讨论。

局限性

  • 本研究将问题维度约束为二维以简化断层超声数据采集并降低FWI计算成本,而既往报道成像复杂几何结构如头部需要三维FWI以处理平面外效应。
  • 本研究在3-D打印颅骨层中未引入孔隙率,以便首先评估常规超声设备和FWI方法在穿过高声速颅骨模拟材料时恢复脑模型的能力。
  • FWI方法易受循环跳跃影响而陷入局部极小值,初始模型条件需足够接近全局极小值附近以避免错误重建。
全文中译26 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Ultrasound Med Biol. Author manuscript; Available in PMC 2024 Aug 21.

引言

超声成像设备的可及性、便携性、固有安全性和低成本使医学超声成为应用最广泛的非侵入性成像方式之一。因此,经颅超声造影已成为新生儿常规护理不可或缺的成像方式。尽管有这些优势,高分辨率超声成像方法目前无法有效地对成人脑进行成像。这是由于在存在发育成熟的颅骨组织时,常规经颅超声造影(5−12 MHz)所使用的高频超声信号会严重衰减,这种情况见于6个月以上的患者[1]。此外,成人颅骨组织还会产生经颅超声波的畸变和散射。使用低频超声(<1.00 MHz)成像可以克服颅骨衰减对超声波的影响[2],从而能够获取信噪比(SNR)更高的超声数据。以往的研究已应用这种方法,使用常规超声成像方法(如脉冲回波B模式[3])对脑进行结构成像。另外,颅内主要动脉的血流可以通过在1.00−3.00 MHz范围内经颅骨颞部薄骨段成像来测量[4]。以往的研究探索了使用双探头经这些骨窗进行脑成像,例如Vignon等人的研究[5],其中将线性阵列置于离体人颅骨两侧颞部,对脑体模进行成像。在这些相对阵列之间传输的声信号被用于校正颅骨畸变的影响,并估计超声波随频率变化的衰减。Lindsey等人[6]提出的类似方法使用带有二维阵列的双探头来校正畸变,并经颅对脑体模内的共同体积进行成像,以实现三维彩色血流成像。然而,在这些较低频率下成像以空间分辨率为代价,这阻碍了获取高分辨率、具有诊断价值的图像。此外,这些方法仅限于对通过骨窗可见的那部分脑进行成像,这限制了经颅超声的潜在应用。

近年来,全波形反演(FWI)已被提出作为一种有前景的超声层析成像方法,可用于以亚毫米分辨率重建全脑的高分辨率声学模型[7,8]。FWI是一种数据拟合技术,最初为地震勘探而开发,用于改进地下模型[9]。该方法旨在迭代优化声学模型,使观测数据集与数值生成数据集之间的失配最小化。

在本研究中,我们首次证明了应用全波形反演(FWI)重建被仿颅骨层包围的脑组织体模的可行性。为实现这一目标,我们设计了一套超声计算机断层成像(USCT)采集系统,使用一对市售临床心脏探头(P4-1 ATL,Philips Healthcare,Bothell,WA,USA),可通过线性电机和旋转电机的组合进行定位以执行成像任务,如图1所示。虽然已有报道称,由于离面效应,对头部等复杂几何结构进行成像需要三维FWI [10],但在本研究中,我们选择将问题的维度约束为二维。这样做是为了简化USCT数据的采集并降低运行FWI时的计算成本。因此,我们设计了一个仿脑和颅骨体模,该体模由沿垂直轴延伸的二维脑和颅骨图像组成,以提供如图1a所示的2.5维成像体模。该体模旨在提供一个模拟我们在临床环境中对患者进行成像时预期遇到的颅骨和脑组织的成像目标。

方法

全波形反演

全波形反演是一种迭代图像重建技术,旨在优化实验观测数据d与通过求解声学特性模型m的波动方程数值生成的合成波场数据p之间的失配。鉴于波动方程是关于模型参数的非线性函数,无法直接反演。FWI转而将此问题构建为迭代局部梯度下降最小二乘定位,以针对m优化以下目标函数f:

此处,δd是观测信号数据与预测信号数据之间的残差。在每次迭代中,我们试图通过确定由f定义的超曲面上的最陡下降方向来求解此问题。从初始模型m0出发,采用该方向计算模型更新,使模型趋于最小化预测信号数据与观测信号数据之间的差异。为找到该方向,通过求解伴随状态问题[7]计算f对m的偏导数:

为求解p对m的导数,我们考虑离散形式的波动方程问题,其中A为离散波动方程,u为压力波场,s表示震源。鉴于s不依赖于m,对方程(3)关于m求导得

假设方程(4)有唯一解,我们对A求逆得

u表示波场,而p表示仅在接收换能器阵元位置采样的波场数据。这是通过在由矩阵R定义的位置对u进行采样来实现的,使得p = Ru。因此,p对m的微分由下式给出

鉴于R不依赖于m,这给出了f的梯度的最终方程:

总之,给定最新迭代模型 m0,合成波场 u 可通过使用高阶有限差分正演模型近似声波方程的解来生成。然后通过应用限制矩阵 R 在换能器接收位置对该波场进行采样,得到预测信号数据 p。通过使用方程 (7),然后首先计算 p 与 d 之间的残差 δd 来计算最速下降的梯度。然后通过将残差在换能器接收位置注入模型来计算波场的反向传播。然后使用声波方程算子 A 对 m 的微分对所得的时间反转波场进行缩放。最后,在时域中对 m 中的每个点计算时间反转波场与初始波场 u 的互相关的零延迟。这提供了 δm,即模型更新,其将模型朝优化 f 的方向施加小扰动。鉴于该方法将趋向于最速下降方向,如果初始起始条件未使反演解处于趋向全局最小值的梯度上,则该 FWI 方法容易陷入局部最小值。因此,初始模型条件足够接近全局最小值的邻域非常重要,以避免在运行 FWI 时出现错误重建。这在本研究的体模缩放部分中考虑周期跳跃现象时有更详细的讨论,并且这些由周期跳跃引起的错误重建的示例在环形阵列脑体模重建结果下讨论。

2.5 维脑与颅骨模拟体模

为本研究设计的 2.5 维脑与颅骨模拟体模如图 1a 所示。该体模由颅骨模拟层和具有不规则特征的多层脑模型组成。在本节中,我们讨论该体模的设计、制造和特性。

颅骨模拟层

我们设计了一个模拟颅骨层,以模拟真实颅骨的形态和声学特性。为此,我们使用了从数值MIDA头部模型中采样的颅骨二维轴向横截面,该模型提供了具有5.00 × 10−1 mm空间分辨率的解剖学精确头部模型[11]。将该颅骨横截面拉伸形成一个连续外壳,以包围模拟脑模体,如图2e所示。为选择合适的模拟颅骨材料,我们考虑了颅骨的组成以及不同颅骨组织之间声速(SoS)测量值的差异。颅骨组织通常由海绵状松质颅骨组织构成,其外被外层和内层皮质颅骨组织所包围[12]。声学测量表明,这些不同的颅骨组织具有不同的SoS值,如表1所示,表中使用了IT’IS组织特性数据库4.0版提供的颅骨SoS测量值[13]。为确定选择模拟颅骨材料的SoS范围,我们基于Lillie等人[12]提供的平均厚度测量值,使用了成人颅骨典型横截面的简化模型。该颅骨横截面模型的总厚度设定为5.00 mm,由外层皮质层(2.13 mm)、中央松质层(1.90 mm)和内层皮质层(1.47 mm)组成。通过优化各颅骨层SoS的测量值,确定超声波穿过颅骨模型所需时间为2.21 ± 0.28 μs。因此,基于该计算,由单一材料组成的模拟颅骨层理想情况下应具有2526.95 ± 320.00 m/s范围内的SoS,以使其SoS与该颅骨复合模型相当。

既往研究发现,颅骨组织的孔隙率会影响成像性能,尤其是在高入射角下[14]。这种微结构会散射超声波,因此需要引入该微结构才能准确模拟真实世界中超声波的传播。然而,在本研究中,我们尝试在不向3-D打印颅骨层引入孔隙率的情况下进行成像,以便首先评估传统超声设备和我们的FWI方法在透过高SoS模拟颅骨材料成像时恢复脑模型的能力。

用于制作真实颅骨体模的仿颅骨材料此前已有研究,包括 Araldite 1302 和 VeroBlack [15]。Araldite 1302 是一种环氧树脂,可倒入颅骨形状的模具中,用于浇铸解剖学精确的颅骨体模。其测得的声速(SoS)为 3008 ± 220 m/s,与真实皮质颅骨组织的声速相当 [15]。另一方面,VeroBlack 是一种刚性热固性丙烯酸树脂,非常适合基于 CT 数据制作 3-D 打印颅骨体模。3-D 打印方法制作的颅骨模型比 Araldite 浇铸方法更精确、更一致 [15]。此外,VeroBlack 测得的声速为 2495 ± 8 m/s,与先前计算出的理想仿颅骨声速范围更为接近。基于这些发现,我们选择 3-D 打印方法来制作仿颅骨与脑体模的颅骨层。为制作精确且可重复的颅骨层模型,我们使用了立体光刻,这是一种以制作高精度、各向同性和水密部件著称的 3-D 打印方法 [16]。我们为颅骨层模型选择的仿颅骨材料是一种光聚合物树脂(Clear Resin,Formlabs Inc.,Somerville,MA,US)。如表 1 所述,对一块常规 5.00 mm 厚的 Formlabs Clear Resin 3-D 打印块进行声学测量,得到声速为 2545 ± 11 m/s,处于理想仿颅骨材料的声速范围内。该值与 Bakaric 等人 [17] 的测量结果相当,后者给出 Formlabs 透明 3-D 打印光聚合物的群速度和密度分别为 2591 m/s 和 1178 kg/m3。此处,群速度是指透射信号包络在仿骨材料中传播的速度。这表明,使用 Formlabs Clear Resin 制作的 3-D 打印仿颅骨层的声速范围与真实颅骨组织的理想声速范围适配良好,能够在我们的实验中提供准确且可重复的结果。

仿脑模型

脑组织仿体使用 3-D 打印树脂模具浇铸,以制作声速值在 1500−1520 m/s 范围内形成对比的聚乙烯醇(PVA)冷冻凝胶层。如图 2e 中完成的 2.5-D 体模的 3-D 渲染图所示,这些层包括外层白质层(约 1500 m/s)、内层灰质层(约 1520 m/s)和中央充水腔。这些不同的层组合在一起,形成一个具有复杂特征和三个声速值对比区域的脑模型,供全波形反演(FWI)重建。

我们采用与 Chee 等人 [18] 提出的组织制作方案相似的方法制作了 PVA 冷冻凝胶脑组织仿体。该方法的第一步是将由 10% PVA 粉末和 90% 蒸馏水组成的 PVA 冷冻凝胶溶液在 90°C 下加热 1 h。然后将该溶液冷却至 40°C,并通过 24 h 冻−融循环定型,以增加 PVA 的局部化程度。每个冻−融循环包括将组织仿体在 −20°C 的冷冻箱中保存 12 h,然后在室温下放置 12 h。通过改变这些冻−融循环的次数,制作了两种形成对比的仿脑组织,如图 2 中脑模型的蓝色和白色区域所示。

为了将复杂、不规则的几何结构引入大脑模型,我们3-D打印了图2a和2c所示的树脂脑模具,以浇铸不同的脑层。这些模具包括设计用于浇铸外脑层的外模具和用于塑造内脑层的内模具。为了制作外脑层,当外模具放置在体模中心时,将PVA冷冻凝胶溶液倒入颅骨层与外模具之间的腔隙中,如图2b所示。然后通过两次冻融循环使此外脑层部分凝固。随后移除外模具并替换为内模具,为内脑层创造新的腔隙。将新一批PVA冷冻凝胶溶液倒入该腔隙中,如图2d所示(向该溶液中加入蓝色食用色素以指示不同的脑层)。然后体模再经历一次额外的冻融循环以使内脑层凝固。因此,外层总共经历了三次循环,而内层经历了一次循环。图2d所示的测试样品在每次浇铸PVA冷冻凝胶时取得,并与其对应的PVA冷冻凝胶脑层经受相同条件。然后可以对这些样品进行测量,以提供每种脑组织模拟物的SoS值估计。这些测量结果见表1。

2.5-D脑和颅骨体模缩放

采集具有足够低频内容的USCT数据可以减轻周期跳跃现象,该现象在地球物理FWI应用中已有充分文献记载,当预测波场数据与观测波场数据的相位差超过90°时就会发生[19]。周期跳跃可导致定位问题陷入局部极小值,从而产生信息不准确的 reconstruction。在Guasch等人[8]讨论的in silico FWI脑成像研究中,选择带宽为0.10−0.85 MHz的USCT以减轻存在SoS颅骨组织时周期跳跃的影响。然而,医用超声探头通常并非为亚兆赫频率成像而设计,使其不适合采集该范围内的数据。在本研究中,我们选择了一对频率范围为0.55−3.50 MHz的心脏探头(P4-1 ATL),使其成为目前可用的最低频医用换能器之一。为了适应这些不同的带宽,我们制作了相对于原始MIDA模型2:5比例的体模。所得颅骨模型宽度为60.54 mm,长度为78.87 mm,高度为130.00 mm,平均厚度为2.24 ± 0.48 mm。

双探头数据采集系统

本研究的实验超声计算机断层成像(USCT)数据集是使用双探头USCT成像装置采集的。该装置由一对P4-1心脏探头、一套带两个128通道端口的高速超声研究采集系统(256 Vantage System,Verasonics,Kirkland,WA,美国)以及直线电机和旋转电机的组合构成。采集在一个0.7 × 0.6 × 0.6 m³的大型有机玻璃水箱中心进行,以尽量减少水面和水箱侧壁强反射的检测。完整的双探头USCT系统见图1b。当连接到Vantage采集系统时,这些探头可作为单个192阵元阵列进行控制。对于任一阵元被选为发射源的透射事件,两个探头的阵元均可被指定为接收器,从而允许在不同位置对透射和反射超声波进行采样。成像时,两个探头相对放置,共面,且其阵元与垂直y轴对齐。这些探头之间形成的成像区域见图1c。该区域定义为位于x−z平面上,而所有空间相关场被认为相对于y方向不变。换能器阵元的高度远大于宽度(高度约13.00 mm,宽度约2.45 × 10⁻¹ mm)。因此,相对于x−z成像平面,这些阵元可被视为无限长线源[20]。此外,由于P4-1阵元的宽度小于运行全波形反演(FWI)时USCT数据中观测到的最小波长(λmin = 9.25 × 10⁻¹ mm),这些阵元在成像平面内可被视为点源和点接收器。

双探头成像序列

使用双探头系统的成像序列涉及使用电机组合将探头独立定位在不同位置以发射和接收超声波。为提高信号数据的信噪比(SNR),对于给定源阵元的每次采集均取八次连续发射事件的平均值,两次发射之间的延迟为6.0 × 10⁻⁴ s。仅使用一组固定探头位置进行成像受到限制,因为P4-1探头的孔径仅为28.32 mm。因此,我们在成像序列中引入电机步进以增加探头位置和方向的数量,从而有效增大了成像孔径。研究了两种不同的换能器阵列配置:使用一维直线电机步进形成两行平行探头位置的线性阵列配置,以及环形探头位置阵列配置。

对于每次成像实验,我们使用相同的成像序列但在无成像目标的情况下采集了相应的水浴数据(watershot数据)集。所得水浴数据集仅包含超声波在源和接收换能器阵元之间的直接透射。因此,这些水浴数据为校准双探头系统中换能器的相对位置以及对每个源阵元生成的波场进行建模提供了有价值的信息。

优化全波形反演参数

由于数据采集方法的性质,在成像序列期间,探头预期位置与实际位置之间可能出现差异。此外,探头每个元件产生的源子波最初是未知的,且水速可能因温度等环境因素而在不同实验之间发生变化。因此,我们最初将水速、换能器位置和源子波视为需要估计的未知参数。在运行FWI时,这些参数对于准确模拟成像序列期间的透射事件是必需的。在本节中,我们讨论如何估计这些声学建模参数。

水速估计

我们通过确定源-接收器对之间旅行时随距离的变化率,来估计每次成像实验进行时的水速。我们使用线性步进电机测量不同距离下探头之间穿过水的旅行时来实现这一点。设t0为两个对齐且相对的探头元件之间的初始旅行时,tn为在轴向方向上经过n个步长为x的线性电机步进后同一源-接收器对的旅行时,N为总步数。水速c的估计值则由下式给出

在实践中,旅行时差通过将每条新迹线与初始水射迹线进行互相关并取所得最大值的位置来获得。

换能器位置校准

为校准换能器元件位置,我们开发了一种基于飞行时间(TOF)的元件定位方法,该方法基于Filipik等人[21]提出的USCT校准方法。从位于点[xs, ys, zs]的源到位于点[xr, yr, zr]的接收器的水射迹线的TOF可计算为:以声速c穿过距离dsr的旅行时与采集系统引入的系统延迟τ之和。该TOF值可定义为

其中

τ值被认为在所有迹线中保持恒定,因为所有数据均使用一对相同的P4-1探头采集。对于给定的实验水射数据集,通过将每条迹线与匹配滤波器进行互相关并取所得最大峰值的位置,确定了一组测量的TOF值TOFm。该匹配滤波器通过对两个换能器阵列相对放置时理想直接透射迹线的子波进行采样获得。虽然通过错误选择匹配滤波器的起始时间可能在TOFm中引入系统误差,但当针对所有迹线的恒定延迟进行优化时,任何恒定误差均可被τ吸收。

在开始进行阵元定位优化之前,将建模的换能器阵元位置 p 初始化为标称位置(换能器阵列的十二边形排列,宽度为 75.00 mm,如图 5a 所示),并将 τ 设置为 4.00 × 10−1 μs。随后可使用公式 (9) 计算一组飞行时间计算值 TOFc。校准这些换能器位置可定义为一个非线性最小二乘问题,其目标是找到一组阵元位置和 τ,使得 TOFm 与 TOFc 之间的差异达到最优。这由目标函数给出,其中 Fp 为测量 TOF 集与计算 TOF 集之间的残差。应用高斯-牛顿算法迭代优化 Fp,直至这些 TOF 向量之间的误差达到足够低的水平。

每个换能器阵元被表示为二维成像平面上的一个点,其 y 坐标为零。因此,对于 Pe 个换能器,总共需要求解 2Pe + 1 个未知变量。鉴于环形阵列配置具有 3072 个换能器阵元,这将产生 6145 个待估计变量。然而,由于这些阵元位于刚性换能器阵列上,通过求解探头的位置和方向而非单个阵元,可以显著减少未知数的数量。在三维空间中,这些换能器阵列可视为阵元线(阵元间距 = 2.95 × 10−1 mm),其位置由 x、y 和 z 坐标给出,方向分别由绕 x、y 和 z 轴的角 α、β 和 γ 定义。如果我们再次将这些换能器视为位于二维平面上,则每个阵列的 α、β 和 γ 坐标可设置为零。对于总共 Pa 个探头位置,这给出 3Pa + 1 个未知数。鉴于环形阵列由 32 个探头位置组成,这仅需求解 97 个未知变量,显著少于逐阵元优化问题。无论我们求解阵列位置还是阵元位置,公式 (11) 定义的目标函数保持不变。当仅求解换能器阵列之间的相对位置和方向时,存在无穷多个解。因此,为将解锚定到全局坐标,我们将第一个探头设置为原点,并将 β 旋转设为零。在运行阵元定位方法之前,TOFm 与 TOFc 之间的平均走时差为 8.79 ± 5.48 × 10−1 μs,τ 值为 4.00 × 10−1 μs。经过 15 次阵元定位方法迭代后,平均走时差降低至 7.20 × 10−3 ± 7.98 × 10−3 μs,优化后的 τ 值为 3.46 μs。

源小波优化

在本节中,我们讨论成像时所用每个源的源小波定位。在运行全波形反演(FWI)以准确模拟透射事件时,这些是必需的。每次成像实验的观测水射数据集为建模这些源小波提供了有价值的信息,因为这些信号数据包含源-接收换能器对之间传输的波场测量值。然后,我们使用一组初始预测源小波及先前计算的建模参数 c 和 p,通过数值求解声波方程生成相应的合成水射数据集。随后,我们通过应用维纳滤波器校正所得合成数据与观测水射数据集之间的差异,来优化这些源小波。

我们通过从观测水射数据集(watershot data set)的道集中采样,获得了一组初始的源子波。每个道集被视为对位于接收器位置的发射源所产生波场的测量。因此,假定该道集仅由一个子波组成,其走时与这对换能器之间源−接收器的距离成正比。所有道集的走时集合由TOFc提供,TOFc是利用最终建模换能器位置p之间的距离计算得到的。随后我们应用正常时差(NMO)校正方法[22]从每个道集中去除走时,得到每个源元素在t = 0处对齐的相干子波叠加。然后取每个叠加的均值,提供一组初始源子波。接着我们使用这些预测的源子波生成合成水射数据集,以便与观测水射数据集进行比较。当换能器位置、水速和源子波均足够准确地模拟真实水射波场时,我们预期这些数据集能够紧密匹配。为校正由建模源子波和换能器位置引起的这些数据集之间的任何差异,我们计算了一个维纳滤波器,将合成水射数据集的NMO采样子波映射到观测水射数据的NMO采样子波[23]。然后我们使用这些校正后的源子波生成第二个合成水射数据,以确认最终源子波和换能器元素位置在运行FWI时足够准确地模拟真实发射事件。

评估全波形反演参数

如果我们使用真实声学建模参数通过FWI对观测水射数据集进行反演,我们预期解将恢复一个均匀声学模型,其SoS值与真实水速相当。因此,为评估我们优化的换能器位置和源子波参数,可以使用实验获取的水射数据运行FWI,以确定恢复的水SoS值是否与测量的水速相当。使用旋转配置进行该测试的示例如图5所示,包括以下情况:(a) 使用校准的源子波和未校准的标称换能器阵列位置,(b) 使用未校准的源子波和校准的换能器阵列位置,以及(c) 同时使用校准的源子波和换能器阵列位置。我们使用0.55 MHz的最大频率进行15次迭代,并将水初始模型设为1481.40 m/s(该采集实验测量的水速)来执行这些FWI重建。

尽管标称换能器阵列位置与校准后换能器阵列位置之间可见差异似乎很小,但使用未校准换能器阵元位置时引入的走时误差足以产生图5a中错误的声速(SoS)模型。该重建所得速度值的直方图高度不均匀,平均SoS为1466.20 ± 15.48 m/s,显著低于本实验测得的水声速。同样,我们在使用校准换能器位置和未校准源子波运行全波形反演(FWI)时也观察到重建误差,如图5b所示。该结果所得速度值的直方图给出的平均SoS为1445.14 ± 15.07 m/s,同样显著低于实验测得的水声速。这表明源子波的校准对于成功运行FWI也至关重要。相反,当使用校准后的换能器阵列位置和源子波时,所得水模型不含明显伪影,其SoS值接近实验测得的水声速。这得到了平均水声速1481.28 ± 1.54 m/s以及图5c直方图所示SoS值低方差的佐证。这些均匀恢复的水声速值表明,使用这些FWI参数时,合成水射数据与实验观测数据密切匹配。因此,这些参数可被认为适用于使用双探头超声计算机断层成像(USCT)采集系统所获数据运行FWI。

全波形反演重建

本研究中的全波形反演操作在时间域使用多频序列进行。使用P4-1探头成像时,信号能够以40 dB信噪比(SNR)与噪声区分开的最低频率测得为0.55 MHz。除非另有说明,每次FWI运行均以该值作为起始频率。使用全波重建方法时的最大空间分辨率约为信号数据中最高频率波长的一半[7]。通过将多频序列的上限频率设为1.60 MHz,空间分辨率上限约为4.62 × 10−1 mm。这允许恢复脑体模的亚毫米特征。多频序列由22个频带组成,其中心频率由函数y (x) = (2.40 × 10−4)(x − 1)2 + 5.50 × 10−1给出,频率步长x∈ℤ|1≤x≤22。这种抛物线频率设置意味着大部分FWI迭代在较低频率范围内进行,使解首先恢复成像目标的完整低分辨率模型,然后再引入较高频带中更精细特征的信息。我们对每个频带运行三次FWI迭代,每次使用全部可用数据的三分之一,从而每次FWI运行共66次迭代。在反演声速(SoS)模型时,密度和声吸收建模参数分别固定为水的常数值ρ = 1000 kg/m3和Q = 1000。对所有频率步长,我们使用2.2 × 10−1 mm的空间网格间距和5.00 × 10−2 μm的时间步长。正演建模和FWI操作使用Fullwave软件进行,如Warner等[7]所述。

结果

线性阵列配置

在此我们讨论采用线性阵列双探头配置进行成像时USCT数据的采集和FWI结果。所制作2.5维体模的真实声速(SoS)模型未知,但我们预计该体模的二维横截面与图4a所示的数值脑体模相似。这是因为该数值模型被用于设计制作体模的3D打印模具。数值模型的SoS值来源于对模拟颅骨层和PVA脑组织模拟样品的测量。利用该数值模型,我们为每个实验采集的数据集生成了相应的合成数据集。由于每个合成数据集的SoS模型和FWI参数已知,这些合成数据集为每个成像问题提供了理想情况。

线性阵列数据采集

该配置的两个线性阵列通过对每个探头施加独立的一维线性电机步进形成。我们通过使用一对计算机控制的线性电机(BiSlide,Velmex,Bloomfield,NY,USA)将每个探头定位到成像目标两侧五个位置之一来实现这一点。

各位置之间的电机步进等于P4-1孔径的长度(28.32 mm),从而形成两个平行的141.60 mm长换能器阵列,每个阵列由480个阵元组成。成像目标相对于这两个线性阵列的位置可见图3a。施加一系列电机步进来平移并在所有25个唯一的源-接收阵列位置上采集USCT数据。每个阵列位置的全部96个阵元均设置为接收器,同时选择等间距的24个阵元子集作为源,共提供240个源和960个接收器。然而,该方法的缺点是,从成像目标反射的信号只能使用发射阵列的阵元采集(如图3a中源两侧以蓝色高亮的阵元所示)。

线性阵列脑体模重建结果

为评估双探头线性阵列系统的性能,我们使用合成和实验USCT数据集进行了FWI。合成数据使用数值脑体模模型和图3a所示的实验装置生成。为评估线性阵列配置用于采集USCT成像数据的适用性,我们首先聚焦于重建体模的脑模型(不含颅骨层)。这是因为颅骨层比脑模型更难重建,因为颅骨层与水之间的SoS差异大得多,且其散射超声波的程度高于脑组织模拟物。

鉴于预计水(约1484 m/s)与最高速度的脑模型层(约1520 m/s)之间的声速(SoS)差异很小,我们首先尝试使用图3b所示的以水为起始模型来重建脑体模。合成病例和实验病例的重建结果分别见图3c和3d。发现实验和合成结果均包含体模的可比较的部分重建。在两种情况下,脑模型的不规则特征均被恢复,且脑模型的部分表面可见。然而,在两种情况下,面向换能器阵列的体模边缘均未被恢复,且脑模型中的SoS值分布不均匀。鉴于数值脑模型各脑区的SoS值是均匀的,这表明这些恢复的SoS值是错误的。鉴于合成结果与均匀结果之间的相似性,次优的脑模型很可能是由线性阵列配置所提供的换能器位置分布不足所致。为改善这些重建,我们随后尝试通过使用图3e所示的平滑脑起始模型来帮助反演过程收敛至更准确的脑模型。该模型是通过对数值脑模型应用二维高斯滤波器创建的。使用这一新的起始模型,我们重复了合成和实验的全波形反演(FWI)运行,分别得到图3f和3g中所示的恢复SoS脑模型。这些FWI重建具有更高的SoS值,与真实合成脑模型的吻合程度优于以水为起始模型的FWI结果。然而,这些SoS值的分布仍然均匀。此外,面向换能器的体模边缘未被恢复。相对于真实数值脑模型,使用水和平滑脑起始模型时合成结果的均方根(RMS)误差值分别为13.56和9.25 m/s。这表明关于脑模型的先验信息使脑模型的准确性产生了小幅改善。然而,使用两种起始模型时获得的次优恢复合成和实验脑模型表明,该配置不太适合超声计算断层成像(USCT)成像,因为它没有提供足够的换能器位置来对模拟脑的体模进行完整成像。

环形阵列配置与环形阵列数据采集

采用环形阵列配置对2.5维体模进行360°扫描。两个探头围绕该环形阵列被平移至16个位置,每个位置之间旋转步长为22.50°。每个探头均配备独立的旋转电机以实现独立旋转。这些电机包括一个大孔径旋转台(Standa,维尔纽斯,立陶宛)和一个居中放置的旋转电机(PRMTZ8/M,Thorlabs,Inc.,牛顿,新泽西州,美国)。两个探头的旋转半径均为75.00 mm,以为2.5维体模提供足够大的成像区域(电机步数和半径可根据不同成像目标进行调整)。当成像序列中将一个探头的源阵元设置为发射时,第二个探头则被指定为接收阵列。该接收阵列随后围绕环形阵列旋转至多个位置以测量该发射事件。给定源的一组示例接收探头位置可见图6a。源阵列与接收阵列之间保持两个探头位置的间隔以避免成像时发生碰撞,从而使每个源阵列位置对应11个接收阵列位置。源阵列也可被指定为接收器以采集反射模式的超声计算机断层扫描(USCT)信号数据(如图6a中源阵列上的蓝色阵元所示)。为使用该系统对成像目标进行扫描,我们对环形上所有16个源阵列位置的所有源重复该成像序列。所得的环形阵列配置与先前提出的双探头USCT成像系统相当,例如Camacho等人[24]设计的用于超声反射断层成像乳腺成像的多模态超声乳腺(MUBI)成像平台。与线阵情形一样,我们在每个源阵列位置使用24个源的子集,同时在每个接收阵列位置接收全部96个阵元。这给出了384个唯源阵元位置,每个源阵元向3072个接收阵元中的1152个子集发射。

环形阵列脑体模重建结果

为评估双探头旋转阵列配置的可行性,我们将全波形反演(FWI)应用于使用合成和实验超声计算机断层扫描(USCT)数据集对脑体模进行成像。脑体模相对于换能器阵列的位置可见图6a,真实的合成脑模型数据可见图6b。我们在合成和实验两种情况下使用该配置均获得了脑体模的高质量FWI重建,分别如图6c和6e所示。脑体模的完整表面、不规则边界和中心无回声腔在两种重建中均可见。此外,合成结果由清晰的均匀区域组成,与合成脑模型的真实声速(SoS)值吻合良好。实验FWI结果同样如此,尽管每个脑层内的SoS值变化较大。然而,这些变化可能部分是由真实聚乙烯醇(PVA)冷冻凝胶在体模制作过程中声速的微小变化引起的。实验FWI重建与图6d中的脑模型照片密切吻合,包括相对于真实合成脑模型略微塌陷的中心腔。这些脑模型质量的提高归因于使用环形阵列时在成像目标周围放置了大量均匀分布的换能器。该配置还允许接收更多的反射信号数据,为运行FWI时重建成像目标的完整表面提供了信息。合成FWI结果与数值合成脑模型之间的均方根(RMS)误差为2.14 m/s,与之前的线性阵列配置结果相比有显著改善。由于这些重建结果与脑体模的预期速度模型密切吻合,因此无需使用包含脑模型先验信息的起始模型重复该实验。

数值脑和颅骨体模重建结果

在使用环形阵列配置获得令人满意的FWI脑模型重建结果后,我们在3D打印颅骨层在位的情况下重复了脑模型的环形阵列扫描。该成像问题的数值模型可见图4a。

高声速颅骨层(约2550 m/s)的引入产生了额外的声学事件,这些事件被编码在 resulting 信号数据中。此外,颅骨层增加了仅存在水时与对2.5维体模成像时USCT数据集之间的走时差异。我们通过取图4a所示源-接收器对的样本道来比较两个成像数据集来证明这一点,分别可在图4b和4c中看到其绘制结果。对2.5维体模成像的采样道比采样的水 shot 道提前1.85 μs到达,这是由于颅骨层的高声速值所致。由于在这些数据集的最低频带处该相位偏移大于90°,我们预期从水起始模型对2.5维体模的反演会发生周期跳跃。我们通过使用针对图4a给出的数值脑和颅骨模型生成的合成数据集运行FWI来证明这一点,所用起始模型如图4f所示。这产生了图4g所示的不成功FWI重建。在该反演过程中颅骨层未被恢复,且脑模型的声速值存在错误。该恢复的脑模型与真实数值体模之间的RMS误差为37.06 m/s。

匹配反射颅骨表面建模

从水起始模型对2.5维体模的FWI重建不成功,正如预期,因为颅骨层与水之间存在显著的走时差异。然而,在图4g的FWI重建中颅骨层表面可见。这是由于环形阵列从颅骨层收集到的强反射。基于这一观察,我们开发了一种迭代信号匹配算法,以识别一组代表颅骨层表面的点。该算法设计为更新表面点的位置,使得观测与合成反射走时之间的失配最小化。对于该方法,仅考虑由同一换能器发射并直接接收的反射,对环形阵列的所有源给出384条反射道。然后,将该算法优化预测的颅骨表面用于设计带有颅骨层先验信息的起始模型,以减轻周期跳跃。

反射匹配问题如图7a所示,图中展示了换能器阵元相对于颅骨层表面(黑色)、起始预测颅骨表面(蓝色)以及经过10次表面定位算法迭代后的最终预测颅骨表面(红色)的位置。此外,图7b给出了信号图,用于比较从源16发射和接收时获取的观测反射与合成反射。在该信号图中,观察到来自输入颅骨层(预测表面01)的合成反射与观测反射之间存在较大的走时差Δt。合成反射到达较早意味着预测表面需要向远离源的方向移动与Δt成正比的距离。给定测得的水中声速c,新的表面距源距离由r = d + Δd给出,其中d是最近表面点到源的当前距离,Δd是由Δd = c⋅Δt估计的所需位置更新量。执行这些表面点更新是通过计算速度场将表面点向远离各源的位置r位移来实现的。为确保来自每个源的表面点更新仅应用于距每个源最近的当前表面点,速度场被约束为除这些最近点邻域外处处为零。这些速度场的大小与为每个源计算的Δd成正比。这样做是为了在连续模型更新后合成走时与观测走时之差趋近于零时引入更精细的表面点更新。然后取当前预测表面的所有计算速度场的均值,并将其应用于当前表面点集100个时间步,以提供下一个预测表面。这一过程重复固定的迭代次数,或直到施加于表面点的位移变得可忽略不计。在运行迭代信号匹配算法10次迭代后,我们发现最终的合成反射集与观测反射数据密切匹配,如图7中源16的黑色和红色信号图比较所示。第一次和最终迭代之间的平均走时差分别为9.98 ± 1.48和1.51 × 10−1 ± 5.66 × 10−1 μs,这表明最终预测表面反射数据集比起始预测表面数据集更密切地匹配实验反射数据集。此外,图4f中红色的恢复颅骨层轮廓在形态上与图2中的数值颅骨层模型相似。

预测颅骨起始模型

利用从反射匹配算法恢复的颅骨层表面模型,我们随后尝试设计一个起始模型,该模型能够在仅使用关于真实颅骨和脑体模的最少先验信息的情况下,改善合成脑和颅骨的FWI重建。在临床环境中,可以使用与本研究中提出的反射匹配方法类似的方法来恢复颅骨表面及其与换能器的相对位置,该方法利用为执行FWI而采集的全头USCT数据集中的反射数据。在没有任何关于颅骨层内表面的先验信息的情况下,该颅骨模型被赋予由预期平均颅骨厚度确定的恒定厚度。对颅骨层模型的测量得到的平均颅骨厚度为2.24 ± 0.48 mm。预测的颅骨起始模型由该颅骨层与一个平滑脑模型组成,如图4h所示。

为证明该起始模型在减轻周期跳跃方面的有效性,我们比较了从实验2.5维USCT数据集采样的道集与预测颅骨起始模型的合成数据集的道集,两者均绘制于图4c和4d中。这些采样道集的走时紧密匹配。这表明,与水体起始模型相比,使用该起始模型运行FWI时可能会减少与周期跳跃相关的问题。为验证这一点,我们尝试使用预测起始模型对数值颅骨和脑声学模型进行合成FWI重建。该反演的最终迭代可见于图4i。在该FWI重建中,脑模型的一些可识别特征被恢复,例如充水腔体。然而,预测的颅骨层在反演过程中未发生显著更新。预测颅骨模型与真实颅骨模型之间的差异导致脑模型中出现了伪影和错误的声速(SoS)值。合成脑模型重建与数值脑模型之间的RMS误差为8.45 m/s。这些观察结果表明,引入这一简单的预测起始模型使反演能够恢复出与水起始模型重建相比更接近真实SoS脑模型的声学模型。

拟合颅骨起始模型

为创建更准确的起始模型,我们创建了如图4j所示的拟合颅骨起始模型。该起始模型由拟合到从反射匹配算法恢复的颅骨层的真实数值颅骨模型与一个平滑脑模型组成。从观测的2.5维USCT数据集和使用拟合颅骨起始模型的合成数据集采样的道集绘制于图4c和4e中。这些道集相位一致,表明拟合起始模型是真实成像问题的良好表示。使用拟合颅骨起始模型的合成FWI重建可见于图4k。该重建比之前的重建更接近真实数值模型,并具有精细特征,如脑层之间以及中央充水腔体的不规则边界。此外,该重建脑模型与真实数值脑模型之间的RMS误差为3.35 m/s。这一减小的误差支持了以下观察:该结果是对该合成脑和颅骨成像问题先前重建的改进。

实验性2.5维脑与颅骨体模重建结果

鉴于使用拟合颅骨起始模型时获得的合成2.5维体模重建结果具有良好前景,采用相同方法从实验采集的超声计算机断层扫描(USCT)数据集恢复了2.5维脑与颅骨体模的声速(SoS)模型。该反演使用图8a所示的拟合颅骨起始模型进行。2.5维体模的照片见图8c。可以看出,实际2.5维体模与数值脑与颅骨模型高度吻合。然而,由于聚乙烯醇(PVA)脑组织模拟物在冻融循环中发生膨胀,制备的2.5维体模中出现了明显的小差异。这一点在观察中央无回声腔尺寸减小时最为显著。图8b所示的实验全波形反演(FWI)重建所恢复的脑模型,其分层与图6d和8c中实际脑模型照片所见的分层高度吻合。此外,对该恢复脑模型不同区域随机采样得到的平均SoS值分别为:充水中央腔1478.45 ± 1.01 m/s、脑内层1501.79 ± 1.01 m/s、脑外层1521.85 ± 4.29 m/s。这些结果表明,所恢复的声学模型与真实数值脑与颅骨模型高度相似。脑模型不同区域的实测SoS值与PVA脑组织模拟物和水的预期值高度吻合,表明该模型是通过仿颅骨层成像后对脑的成功重建。然而,与无颅骨存在时恢复的脑模型相比,脑体模各层之间的对比度略有降低。这可能是由于真实颅骨模型相较于本FWI重建所用拟合颅骨起始模型在形状、SoS值和位置上存在微小差异所致。

讨论

所提出的使用旋转配置的超声计算机断层扫描(USCT)成像方法显示出作为研究工具的前景,可用于进一步探索全波形反演(FWI)的新颖成像应用,特别是用于软组织成像问题,例如乳腺组织成像。然而,当使用P4-1探头时,从最低可能起始频率0.55 MHz进行FWI不足以从水中恢复高声速(SoS)仿颅骨材料。图4g中从水中对2.5维脑和颅骨体模的重建失败说明了这一点。因此,传统的现成医用超声设备被发现不太适合FWI成像。为克服这一问题,使用拟合的颅骨起始模型(图4j)通过FWI成功恢复了2.5维体模的脑模型。然而,该方法需要大量关于体模的先验信息,包括3D打印树脂仿颅骨层的位置、形态和SoS。该方法在临床环境中不实用,因为这种先验信息可能无法立即获得,且需要替代成像模态来提供颅骨模型。为此目的依赖替代成像模态将增加恢复声学脑模型所需的运行成本,从而降低使用FWI作为神经成像模态的影响力。或者,可使用能够在足够低频率下发射和接收的换能器进行成像,以减轻周期跳跃的影响。我们通过在用图9b中绘制的理想宽带源小波替换P4-1源信号后重复合成脑和颅骨体模成像问题来证明这一点。如图9c中绘制的幅度谱所示,该宽带信号具有比P4-1信号低得多的40 dB限值0.07 MHz。然后使用该理想宽带USCT数据进行FWI,同时使用较低的起始频率0.15 MHz和图9a中的水起始模型(从0.15到1.60 MHz的多频序列,共25个频率步,总迭代次数=75)。如图9b中该反演的最终迭代所示,当使用宽带信号数据进行反演时,可以在不提供任何关于成像目标的先验信息的情况下成功恢复2.5维体模的脑模型和颅骨层。这表明改善双探头USCT采集系统的一个研究途径是探索制造带宽更接近图9中给定理想信号的宽带超声换能器。

还观察到,反演过程未能成功更新预测的颅骨起始模型(图4h)以恢复更准确的颅骨模型。尽管数值颅骨由恒定SoS值组成且没有任何微结构,这种情况仍然发生。这表明从约0.55 MHz的起始频率运行FWI可能不足以更新颅骨以考虑微结构对超声波传播的影响。为解决这一问题,需要进一步工作来研究运行FWI时微结构的影响。这可以通过使用具有微结构的更详细制造颅骨模型或通过将超声脑体模围绕离体颅骨组织来重复本研究中讨论的成像实验来实现。

虽然发现P4-1超声计算机断层扫描(USCT)数据集的低频信号内容不足以使用全波形反演(FWI)对颅骨模型进行成像,但P4-1信号数据的上限频率约为3.50 MHz。这表明这些探头可能更适合于成像目标较小的高分辨率成像问题。因此,双探头系统可能有望成为小动物模型的无创高分辨率神经成像工具。在这些情况下,这些动物模型较薄的颅骨和较小的头部尺寸将导致USCT成像数据相对于相应的水校正数据具有较小的相移,从而放宽满足90º相移标准所需的最低频率。如果发现所得的相移足够小,以致在使用P4-1探头成像时避免周波跳跃,则有可能恢复小动物的高分辨率头部模型。需要使用离体小动物颅骨和脑组织样本进行进一步研究,以探索双探头采集系统在该应用中的潜力。

所提出的USCT采集系统非常适合需要多功能成像系统且能够适应各种使用场景的研究应用。该系统允许实施不同的探头配置和成像序列,适应不同USCT项目的广泛潜在成像目标。此外,通过将P4-1探头替换为二维阵列,该成像系统可应用于三维成像任务。这可用于克服使用FWI重建复杂三维几何结构时的离面效应。然而,要使该系统在临床环境中有效用于成人的FWI脑成像,理想情况下需要将双探头替换为单个固定的半球形超声换能器阵列。这是因为与固定阵列相比,当前使用旋转超声探头需要更长的扫描时间,使得获取对患者头部进行在体成像所需的全三维数据集扫描具有挑战性。在扫描过程中保持静止可能会导致不适,而患者的任何移动都会导致运动伪影。相比之下,使用固定半球形阵列进行成像将允许在每次发射时获取全三维USCT数据集,从而显著缩短扫描时间,以减轻成像时患者的不适。然后,这些数据集可用于使用本研究中讨论的FWI重建方法恢复脑部的三维声学模型。

全波形反演(FWI)超声断层成像的临床采用有望通过提供一种更易获取的无创、定量、全脑成像方式来改善医疗结果。这是由于与现有金标准神经影像技术(如CT和MRI)相比,超声成像硬件具有固有的可负担性和便携性。此外,超声成像不需要屏蔽CT和MRI相关的潜在有害电离辐射和磁场,使其在基础设施和运营费用方面成为更安全、更具成本效益的解决方案。这些优势将使超声断层成像神经影像解决方案成为偏远医疗中心的理想选择,这些中心可能缺乏容纳现有神经影像设备的资源。该模态的一个有前景的临床应用是诊断和测量脑肿瘤。与传统断层成像方法类似,大脑的声速(SoS)图提供了对脑组织物理特性的洞察。这些恢复的SoS值可用于区分不同类型的柔软脑组织,并检测异常的、可能癌变的组织。此外,恢复的脑模型提供的结构信息可有助于脑肿瘤的定位和分割。超声设备的高便携性还可允许在救护车中进行床旁神经影像检查。这一应用可能对时间敏感性医疗状况的管理产生重大影响,例如卒中,其中快速诊断和开始治疗对于最佳患者结局至关重要。为了实施适当的治疗,临床医生必须首先确定患者是发生了缺血性卒中(通常由血凝块引起)还是出血性卒中(由血管破裂导致血液流入脑组织引起)。目前,脑损伤的程度和卒中的原因通过尽快进行CT或MRI扫描来确定。然而,这有可能通过在使用FWI恢复的声学脑模型中检测脑出血迹象来实现,方法是比较被血液渗透的脑组织与健康脑组织的SoS。在患者转运途中获取这一关键诊断信息,可允许在患者到达急诊救治时立即实施正确的治疗。缩短卒中发作与开始治疗之间的间隔可提高生存率并带来更有利的恢复结局。

结论

在本研究中,我们确定了使用全波形反演(FWI)对超声脑部及模拟颅骨的体模进行高分辨率定量成像的可行性。我们制作了一个2.5维脑部体模,其周围环绕3D打印的模拟颅骨层,以模拟临床神经影像学问题。使用现成组件设计了一种低成本双探头超声计算机断层扫描(USCT)采集系统,并实施了稳健的校准方法,从而能够从实验采集的数据中对脑部和颅骨体模进行高质量、高分辨率的FWI重建。我们的结果表明,使用双探头采集系统的旋转配置所采集的USCT数据对于重建脑部和颅骨体模最为有效。当模拟颅骨层存在时,无需关于成像目标的先验信息即可实现脑组织模拟物的高质量重建。通过使用反射匹配算法定位具有准确颅骨层表示的起始模型,实现了对颅骨内脑部体模的成像。我们发现该方法可成功地从实验和合成USCT数据中重建模拟脑组织。双探头系统可能具有作为小动物模型无创、高分辨率神经影像工具的潜力。需要使用离体小动物颅骨和脑组织样本进一步研究,以探索双探头采集系统在此应用中的潜力。总体而言,本研究为开发面向成人的无创、低成本且安全的神经影像方法迈出了有希望的一步。

补充材料

引用

  1. Robins TC, Cueto C, Cudeiro J, et al. Dual-Probe Transcranial Full-Waveform Inversion: A Brain Phantom Feasibility Study. Ultrasound Med Biol. 2023. PMID: 37474432. doi:10.1016/j.ultrasmedbio.2023.06.001
  2. 全文:PMC7616382(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7616382/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。