超分辨率超声造影方法用于二维在体血管动力学识别
本研究开发了一种基于临床二维超声设备和标准超声造影模式的超分辨率方法,通过仿体、合成数据及羊卵巢在体数据验证,并在人前列腺癌中做可行性验证,实现了约8.5倍血管宽度分辨率提升,可检测到60 μm宽血管,且与光学相干断层扫描测量血管宽度差异为10%。
要点
- 该方法使用标准超声造影设备与SonoVue微泡,可在数分钟内完成整个器官的超分辨率成像。
- 在羊卵巢模型中,超声超分辨率密度图与光学成像所见的卵泡区、卵泡壁、血管直径及组织尺寸非常相似。
- 血管宽度分辨率提升约8.5倍,可检测并验证宽度低至60 μm的血管(λ=514 μm)。
核心结论
- 使用体外、合成及在体动物数据证明了基于二维超声造影的超分辨率方法的可行性。
- 该方法可将检查时间缩短至数分钟,使用先进超声设备即可为整个前列腺提供超分辨率图,分辨率与其他研究中所达到的相似。
研究设计与样本
- 研究为方法学开发与可行性验证,包括合成数据测试、体外微血管仿体测试、羊卵巢在体验证及人前列腺可行性验证。
- 动物实验使用iU22 Philips超声扫描仪与L9–3线阵探头(3 MHz,λ=514 μm),采用SonoVue团注1.2 mL或输注1.2 mL于20 mL生理盐水、速率0.5至1.5 mL/min。
- 在体参考标准为光学相干断层扫描(OCT),并与光学显微镜及光学投影断层扫描(OPT)比较。
- 人前列腺数据作为原理验证与离体组织学评估对照。
关键影像表现/征象
- 超声超分辨率密度图中可见与光学模态一致的卵泡区、卵泡壁、血管直径及组织尺寸。
- 在体超声视频环多短于2分钟且包含呼吸运动。
- 人前列腺超声密度与速度图与组织学评估的肿瘤位置吻合良好。
诊断标准与关键数值
- 血管宽度检测下限为60 μm,对应波长λ=514 μm。
- 血管宽度分辨率提升约8.5倍。
- 超声与OCT测量血管宽度的差异为10%。
- 离体显微镜测量血管宽度较超声平均低43%。
临床应用与阅片要点
- 该方法可在临床二维超声设备上使用标准超声造影模式实施,无需牺牲当前超分辨率超声成像性能。
- 算法可处理单个及重叠微泡事件,适用于真实患者成像条件,包括数分钟检查时间与足够穿透深度以扫描整个器官。
- 作者指出该方法可提供整个前列腺的超分辨率图,分辨率与其他研究相似。
局限性
- 体外仿体设置相比组织具有较小的声速变化,近场像差较低,检测、定位与跟踪方法面临的条件挑战较小。
- 光学验证方法难以提供微泡位置数据,该任务由合成数据承担。
- 超声探头位置未根据实时光学相干断层扫描图像调整,因为光学相干断层扫描中可见的微血管在B模式下无法显示。
- 高频平面波发射的声压随深度显著下降,穿透深度有限且微泡检测灵敏度高度可变。
- 低帧率(约10至20 Hz)下微泡回波在连续帧间通常无重叠,使轨迹重建困难。
全文中译25 节 · 点击展开
超声成像是医学诊断中不可或缺的工具,1 主要因其成本效益和独特的实时能力。对比增强超声(CEUS)成像旨在评估血管血流和组织灌注。这需要静脉注射充气微泡(MBs),它们是超声的高效点散射体。2,3 其直径通常约为2至3微米,允许通过整个血管床。它们对超声的非线性响应已被用于专门设计的超声发射脉冲序列,以增强其信号同时抑制组织信号。1 然而,经过20多年的研究,临床上由世界各地卫生服务机构支持的CEUS应用非常少。最重要的应用是肝脏病变的鉴别诊断,4–7 而腹部、8–10 心血管11–14 或使用靶向和治疗性MBs15–19 的其他应用则偏向于研究导向或临床使用有限。CEUS使用受限的主要原因是与其它成像方式(例如,磁共振成像[MR]或计算机断层扫描[CT])相比,观察者间和观察者内变异性较高。尽管超声成像提供与MRI或CT相当的分辨率,腹部应用通常为0.3至1毫米,但包括设备类型和设置、患者变异性以及造影材料20在内的多种因素影响其性能。所有上述因素在CEUS衍生血容量和血流测量的不确定性增加中起重要作用,而这些测量而非定量。21,22 尽管时间分辨率有限,MRI和CT通常更受青睐。
最近的一项进展在医学成像中具有重大潜力,是将粒子定位和跟踪方法应用于CEUS,通常受光学显微镜启发。23–26 尽管与超声波长相比尺寸较小(通常约小100倍),大多数MBs具有高散射截面(SCS)并提供强超声散射,可在图像中记录为单点扩散函数(PSF)。27–29 因此,它们的定位是可能的,早期体内图像显示在诊断频率(6.5 MHz)下分辨率至少提高5倍,高达10倍。24,30,31 该工作使用少量可检测并跟踪的单个MBs。粒子检测和定位算法可在超声数据中实现。23,24,30,32–34 重点在于单个MBs的定位,要么隔离30,35,36 要么在多MBs组内回声之间有足够分离,而由于MBs位置接近而经常重叠的MB回声被拒绝。24
在实际中,成像平面内包含从几微米到数毫米的大范围血管直径分布。微泡(MB)浓度将与这些不同尺寸血管组的体积呈线性相关,因此,在恒定体积流量的条件下,穿过任一给定微血管的MB数量将比直径为数毫米的供血血管低几个数量级。确保任一给定帧中MB数量较少的造影剂输注,很可能能够确保单个MB散射事件易于检测、定位和跟踪。然而,鉴于微血管数量众多,且需要足够数量的MB穿过图像中可用的整个血管系统,将有必要采集持续时间长达数十分钟甚至数小时的长时视频循环,具体取决于应用、器官大小或感兴趣区域。此类数据集使检查程序变得不切实际,并且很可能产生显著的运动伪影,其幅度可能比目标分辨率大若干个数量级。为缓解这一问题,需要将视频数据长度缩短至数分钟,因此必须提高MB浓度。跟踪大量MB也是可行的。24,25,31,32,35 最有效的方法由高帧率成像提供,其可为流动的MB提供散射重叠,并采用简单的图像分析方法通过自相关来跟踪MB路径。23,26 这意味着所有单个MB都将被跟踪,跟踪效率接近100%。为实现高帧率,使用了单次发射协议,例如平面波。这提供了高声压,声压随深度显著衰减,且通常在换能器附近声压较高,这有两个后果:(1)穿透深度受限,因为没有焦点来抵消衰减;(2)MB检测灵敏度高度可变。这是由于声压随深度高度可变以及MB散射截面(SCS)对声压的依赖性27,37(即SCS随声压增加而增加)。一般而言,较高的声压提供较大的MB密度,因为更多数量的MB散射高于噪声。此外,如果声压较高,则会有显著的MB破坏。因此,MB密度在整个图像中均匀且代表血管体积的假设难以成立。
通过使用聚焦发射,可以获得近乎均匀的压力场。利用图像底部的焦点,可以近似抵消衰减。尽管图像不同部位的衰减是可变的,但这种近似可确保MBs在图像中呈近乎均匀的分布,从而很好地近似红细胞浓度,进而近似血容量。目前,超声成像系统几乎只使用聚焦发射,并且使用这些系统也可以生成包含单个MBs的超声图像。然而,帧率将较低,约为10至20 Hz。这使得MB跟踪具有挑战性,因为后续帧中的MB回声通常没有重叠,从而使MB轨迹的重建复杂化。还需注意,红细胞的速度范围为每秒微米至厘米。38,39 因此,在图像中MB密度较大的情况下,难以在连续帧中识别每个MB。此外,较大的MB密度会产生若干相互合并而未分离的MB事件。尽管专注于分离单个MBs24可确保良好的定位结果并因此获得最佳分辨率结果,但合并的MB事件也是应当用于最大化数据利用率和缩短视频循环时长的数据。最近,稀疏恢复方法似乎有望通过使用较大的MB密度并部署PSF的先验知识来提供类似质量的信息。40,41 在此,我们使用较低的MB密度,这将使其能够分离,但也会在图像中产生若干合并的MB散射事件。假设这些合并的MB事件很可能位于较大血管的图像区域,在这些区域中血流呈搏动性,因此MB密度较高。另一方面,随着血容量下降且速度分布几乎接近平均值,微血管可能主要提供单个MB事件。
一种基于模型的方法已被开发用于跟踪大量粒子,用于在光学显微镜中跟踪单荧光分子,适用于包含底层杂波的图像。42,43 该跟踪方法基于:(a) 一种检测与分割算法,该算法将粒子定位并将其图像特征保留为粒子概率图像(PPI);(b) 将其图像特征进行关联以检测其轨迹。42–44 如果组织运动不是问题,该算法可处理的视频循环时长没有限制,且视频循环越长,检测到的轨迹越多。轨迹通过将检测到的粒子连接而形成,因此其数量取决于每帧检测到的粒子数,该数量假定每帧固定。Wilson等43在显微镜应用中低信噪比(SNR)图像中展示了良好性能;这些图像包含与超声造影(CEUS)噪声水平相似的成分。在本工作中,处理了约2000帧(每秒30帧)的图像序列,并从25,000个检测到的粒子中创建了超过4000条轨迹(SNR,约2 dB)。这些图像条件类似于具有稀疏微泡(MB)分布的CEUS图像。因此,该方法可应用于CEUS。基于模型的方法允许纳入关于MB信号演变的先验知识45–50,这可能带来更高效的跟踪。重点在于检测与分割。这是因为与光学显微镜不同,超声图像具有高度可变的点扩散函数(PSF)(即单个MB在图像内不同位置将具有不同外观),这对检测过程是一个重大挑战。在方法学上,需要金标准来测试算法,这由模拟环境提供。迄今为止,超分辨率超声工作很少提供关于定位准确性的信息,特别是关于检测与分割在其中的作用。大多数实验使用血管环境,不提供此信息,23,25,51,52 而是证明血管可以被分辨且MB保持在血管空间内。这种准确性的最常见度量是每根血管直径的半高全宽(FWHM)24,31 或单个MB PSF的大小。30 在此,检测与定位准确性使用模拟动物或人类研究真实数据的合成数据进行评估。通过该方法对检测到的粒子数量(包括虚假检测和漏检)以及定位不确定性的准确评估,对于方法学开发和性能测量都很重要。作为第二步,需要进行体外血管体模验证。这些方法不能替代上述合成数据验证,因为除了MB位于血管内这一事实外,不提供关于MB位置的信息。相反,目的是评估图像分辨率。此外,通过使用与临床成像相关的设置的真实成像设备,提出了一个令人信服的案例,即MB在微血管内流动时被检测和跟踪,其分辨率超越衍射极限。此处使用了具有半透明体模的良好受控实验装置。32
然而,与组织产生的声速变化相比,这种设置的声速变化较低。因此,这种理想化设置在阵列近场提供的像差较低,整个设置的点扩散函数(PSF)与临床成像相比变化较小。这对检测、定位和追踪方法的运行提出了较低的挑战性条件。基于这些原因,我们选择通过光学相干断层扫描(OCT)进行体内验证。这确保了使用完全相同的设备、成像参数和造影剂,在真实血管和组织像差条件下进行活体体内验证。所使用的动物模型是绵羊卵巢黄体(CL),这是一种高度血管化的腺体,先前已被证明适用于灌注成像研究。53 另外两种用于组织显微检查的离体方法,即光学显微镜和光学投影断层扫描(OPT),已被用于识别整个组织中的血管特征,并与超声图像进行良好比较。最后,还展示了对一名前列腺患者的概念验证检查,并附有离体组织学评估以作比较。肿瘤血管化成像是活跃的研究领域,21,54–58 包括前列腺肿瘤。59,60 前列腺癌诊断的研究包括所有成像模式,而MRI似乎是最有前景的。61
材料与方法
超声图像分析是使用合成数据、体外数据和体内动物数据开发的。后者使用绵羊卵巢,有两个目的:第一,为生成与体内图像数据高度近似的合成数据提供基础;第二,在临床真实的超声成像参数下验证该方法在体内的应用。
超声成像
动物对比超声成像
所有动物数据均在英国 Home Office 许可证批准下采集(Duncan PPL 60/4401),所有方法均已先前描述。53 每次实验时,对成年雌性绵羊进行麻醉,并通过剖腹术依次暴露每个卵巢。卵巢被固定到位,同时保持完整的血液供应,并覆盖耦合超声凝胶以实现与超声探头的最佳接触。53 这确保其形状不会因呼吸运动和在成像过程中发生变形。通过使用固定探头的网状臂使扫描平面平行于呼吸运动,将平面外运动降至最低。
此处开发的方法旨在与目前临床可用的标准 CEUS 配合使用。因此,造影剂给药方案设计为在图像中提供高密度的单个 MB 散射事件,旨在缩短持续时间(例如几分钟),类似于临床患者检查的持续时间。全程使用配备 L9–3 线阵探头(3 MHz)的 iU22 Philips 超声扫描仪(Philips Medical Systems, Bothell, WA)(λ = 514 μm)。使用了两种造影剂给药方案。1.2 mL 团注 SonoVue(Bracco, Geneva, Switzerland)造影剂,以及使用 Vueject 泵(Bracco SpA, Geneva, Switzerland)以 0.5 至 1.5 mL/min 的速率输注 1.2 mL SonoVue 溶于 20 mL 生理盐水。所有视频数据以 DICOM 格式保存用于离线处理。
体外成像
为在体外评估超分辨率图像分析的性能,将一段纤维素管(取自一次性肾透析滤器(Dialyzer GFE-09,Gambro,德国))用Luer接头固定于28号微量填充针(World Precision Instruments,Stevenage,英国)上,并安装于有机玻璃槽中。槽内充满煮沸后冷却的水。该装置基于先前描述的体外研究工作。47该纤维素管标称内径为200 μm。随后,在使用明场显微镜检查时,发现其最大内径为300 μm。使用与前述相同的超声扫描仪和换能器。换能器安装于管上方。将1.2 mL SonoVue造影剂加入50 mL水中,并使其通过重力进料流经纤维素管。管端置于有机玻璃槽外,因此没有MBs进入周围水中。获取了MBs流经该管的B模式和造影模式视频循环,保存并随后离线处理。
组织处理与显微镜成像
为获得所扫描卵巢血管结构的信息,使用了3种不同的组织成像方法:标准光学显微镜、OPT和OCT。OCT在获取CEUS图像后于体内进行。对于显微镜检查和OPT,在CEUS后切除卵巢并按后文所述处理。作为唯一的活体验证方法,OCT有望提供关于血管直径和结构的最准确数据。该验证方法具有双重目的:(a) 它推进了体外验证,因为此处的体内设置由于所提供的声速变化而增加了真实组织成像像差这一额外挑战;(b) 它可作为与另外2种离体执行的光学方法进行比较的最佳标准。请注意,使用光学验证方法提供MB位置数据非常困难,因此该任务通过使用合成数据来完成。
光学相干断层扫描
使用配备Telesto-II的OCT(波长1300 nm,空气中5.5 μm轴向分辨率;Thorlabs,Lübeck,德国)获取血管床结构和动态信息的活体图像。62OCT探头固定于卵巢顶部正上方,并与超声探头垂直。该布置旨在用两种方法捕获相同的成像平面。这是一个具有挑战性的实验设置,因为超声探头必须水平放置,对组织顶部1至2 mm进行成像。除了凝胶耦合欠佳之外,超声探头的位置并未参考实时OCT图像,因为OCT中出现的微血管无法在B模式中可视化。OCT数据包括来自卵巢表面组织和血液散射光的3维(3D)数据集。光学相干断层扫描文件保存在ThorImageOCT软件(Thorlabs,Lübeck,德国)中,并导出至ImageJ进行分析。63,64
光学显微镜
对于进行组织学切片和染色的卵巢,其流程此前已有描述。53 取出的卵巢经固定、脱水并包埋于石蜡中,随后切成5 μm厚的切片。每隔10张切片取1张,在湿润盒中于4°C过夜孵育生物素化凝集素BS-1(Sigma,英国),该凝集素用于特异性结合内皮细胞。使用Impact二氨基联苯胺(Vector Labs,英国)对内皮细胞进行染色。切片通过光学显微镜(Olympus BH2)和数码相机进行评估;图像以×20放大倍数保存。可测量并计数整个平面内的血管。为与超声成像进行比较,选择取自尽可能接近成像平面位置的切片。
光学投影断层成像
既往工作构成了本方法的基础。65 在取出卵巢之前,以卵巢的主要供血动脉作为输入源,将70 μL罗丹明标记的Griffonia(Banderiaea)simplicifolia凝集素1(GSL 1凝集素;Vector Labs,英国)溶于7 mL磷酸盐缓冲盐水中灌流通过卵巢,随后再用7 mL磷酸盐缓冲盐水灌流。GSL 1凝集素用于染色主要血管内皮细胞壁。随后取出卵巢并保存于4%多聚甲醛中。在OPT之前,将卵巢浸入1份苯甲醇(Sigma Aldrich,英国)和2份苯甲酸苄酯溶液(Acros Organics,英国)中2至3天,以实现组织透明化。使用Bioptonics 3001 OPT扫描仪(Bioptonics,爱丁堡,英国)获取断层扫描,每次扫描以0.45度旋转生成801个图像文件。采集图像为1024 × 1024像素,像素大小为18.28 μm。卵巢组织在绿色通道中呈自发荧光,GSL 1凝集素染色在红色通道中可见。使用NRecon软件(Skyscan,Kontich,比利时)将扫描平面组合形成卵巢的3D重建。在Bioptonics 3D Volviewer和ImageJ(NIH.gov,美国)中对3D体积进行探查,以选择与超声图像平面相同的平面。
合成数据生成
血管网络
第一步是模拟血管网络内MB的运动。该模拟提供了每个粒子在任何时刻的空间坐标和身份标识。该信息被用作测试后续定位的真值。此类真值信息在体外或体内实验中不可获得。合成血管网络由1.1 × 2.2 cm的互连血管网格组成,直径范围为10至500 μm,长度范围为25 μm至2 mm。该网络内的粒子流动遵循泊肃叶定律:首先对整个网络施加恒定的全局压降,其次应用质量守恒定律,即可计算压力场。将计算得到的单元压力代入泊肃叶定律后,可获得每根血管内的体积流量。流模拟方法通过Boujelben等66中包含的一组图示进行说明。注入的无量纲粒子根据计算得到的流量值运动。
超声图像模拟
下一步是将MB回波分配给每个粒子位置。已知点扩散函数(PSF)在超声图像中是可变的。由于MB是声音的非线性散射体,它们提供的回波高度可变且难以建模。据我们所知,目前没有研究或商用超声图像模拟器能提供合理的MB回波模拟。因此,我们在此避免对PSF进行完整校准,而是从羊卵巢实验中获取的体内视频循环中生成MB回波特征的分布。该实验中MB回波图像的一个共同特征是方向可变的长椭球形状(图1A)。使用三维高斯拟合(短轴、长轴和强度信息)提取体内数据集中MB的拓扑轮廓。所得分布提供了MB回波的大小、强度和形状范围。该过程也可视为PSF的近似估计。请注意,公认的轴向分辨率最多为脉冲长度的一半,67在我们的情况下为1 λ(514 μm),而横向分辨率随图像中的束宽变化67,68,使用本文所用的延迟求和波束形成器69时可达几个λ。羊卵巢MB回波大小分布的直方图显示于图2。第一和第三四分位数分别为8(0.14 mm2)和20(0.35 mm2)像素,而中位数为12像素(0.21 mm2)。单个MB回波的大小不太可能超过12像素(0.21 mm2),检测到的最小MB为5像素(0.09 mm2,约略大于2 × 2像素或半个λ × 半个λ)。请注意,一旦2个粒子接近到小于几个波长的距离,它们在图像中表现为合并粒子之前,其大小可能会变大。69
此外,对背景中的噪声进行了表征,并作为白高斯噪声添加到模拟系统中。这是因为瑞利噪声在对数变换后变为加性Fisher-Tippet噪声,70后者可由加性白高斯噪声很好地近似。71创建了200个包含模拟MB的合成帧。图1B显示了上述过程的结果与羊卵巢视频循环中一帧(图1A)的比较。图1的C和D分别是图1A和B中放大方块区域,以提供更多细节。
超分辨率图像分析
本文开发了一种微泡(MB)追踪算法,用于处理超声视频循环。该算法的结构基于先前用于光学显微镜的单粒子追踪软件。43 该软件遵循四个主要步骤:(a) 检测粒子,(b) 对其进行分割(即识别其区域),(c) 对其进行定位(即找到其中心或精确位置),以及 (d) 在粒子逐帧移动时对其进行追踪。该过程确保识别出高度精确的粒子位置(超分辨率定位),然后通过连接连续帧中的粒子位置生成其路径。结果可以以粒子密度、路径密度或速度图的形式显示,其中包含不同的结构和动态信息。在这里,粒子是仅在血管腔内移动的MB。因此,它们的定位是血管内的位置,而其路径识别等同于绘制血管结构。由于超声成像与光学显微镜相比具有不同且高度可变的像差,其点扩散函数(PSF)高度可变。这导致粒子外观在图像中各处不同。因此,算法的检测和分割部分是此处开发的核心,以适应超声MB/粒子应用。
预处理
对造影增强超声(CEUS)图像进行处理以去除伪影,例如在注射前图像中识别出的亮回声,并使用ImageJ从整个帧序列中裁剪出来。此外,由于平面外运动被保持在最低限度,使用成熟的刚性配准7来去除由呼吸引起的平面内运动。这是使用呼气末期阶段的B模式图像特征如先前所述完成的。72
微泡检测
设计了一种半自动检测过程,使用自适应非局部均值滤波器44检测具有一定大小范围的图像粒子,该滤波器已被证明在超分辨率超声微血管成像中效果良好。73 需要手动输入3个参数:平均MB回声强度、最小和最大MB回声尺寸。这些参数通过在视频循环的初步观察中粗略估计。通过使用PPI43保留MB强度,PPI是一种通过使用多尺度Haar样特征44对原始灰度图像进行非局部映射的方法。这些特征是在3个核卷积后获得的,核的形成和大小可变,根据粒子尺寸范围手动确定。所得Haar特征图像是每个像素处每个空间尺度最大值的线性组合。在归一化Haar特征图像中,具有较高值的像素被认为具有统计学显著性,这意味着它们很可能属于一个MB。在该图像中实施噪声阈值,即原始帧序列的平均噪声水平。这产生了一个二值图像,用于计算PPI。随后,每个像素中的粒子概率是二值图像中值等于1的像素数除以粒子区域总像素数的比值。
此外,应用归一化PPI的1/e区域阈值来初步估计目标区域。43这能够区分前景和背景,并生成初始分割图像。与此同时,输入图像与高斯核进行卷积以生成高斯平滑图像,该图像用于提取图像的局部极大值。仅保留属于分割区域且粒子概率值高于阈值的局部极大值点,从而生成最终的 watershed 种子点。这些点决定了最终分割过程所基于的区域。最终检测通过检测过程最后一步的自动更新进行细化。尺寸低于最小输入尺寸和输入平均强度、以及高于最大输入尺寸(取决于帧序列的信噪比)的微泡回声区域被剔除。这作为第三级噪声分类器,因为所有低于最小尺寸和平均强度的粒子实际上被视为噪声。该过程还实现了逐帧的微泡(MB)检测自动更新。
分割
分割是准确定位的关键步骤。如前所述,标记控制的分水岭分割在光学显微镜中运行高效,因为该系统的点扩散函数(PSF)是已知的,且通常在帧序列中是对称且相当恒定的。在活细胞成像中,该算法通过使用高斯平滑图像的膨胀梯度图像来实现分割。该图像和梯度图像是分水岭变换的输入值。随后,分水岭变换对每个粒子进行分割。由于膨胀过程导致的粒子面积变化不影响定位精度,因为强度加权质心法在圆形且恒定的PSF中表现良好。
然而,在对比增强超声(CEUS)中,PSF不仅在不同帧之间可变,而且由于声场和像差在图像中变化,在同一帧内也可变。因此,微泡回声具有不规则形状,这使得每个区域的准确分割对于高效定位至关重要。因此,梯度图像被倒置高斯函数替代作为分水岭变换的输入变量。后者能更好地恢复微泡回声区域并避免梯度图像引起的缩减。这被证明对于低强度因而低信噪比的微泡以及彼此靠近且难以区分的重叠微泡特别有用。
如前所述,重叠微泡是超声成像中检测到的大量事件。通过将这些纳入处理,数据利用率最大化,并且能够生成短视频循环时长的图。在超分辨率超声中,通常将彼此靠近、形成大的共同回声的多个微泡大多剔除,仅将清晰区分的单个(独立)微泡纳入检测过程。2,3,24,25,30–32,35,52在光学显微镜中,PSF的准确知识允许区分图像中部分重叠的粒子,43,74并且所有粒子都有可能被定位。由于缺乏PSF恒定性,这在CEUS图像中难以实现。
然而,可以将重叠的微泡(MB)事件作为单一事件处理。其理由是,单个中心极有可能位于其血管内。重叠的MB可以遵循与单一事件相同的检测和分割过程。因此,将最大MB尺寸设置为较大值,以处理单一MB和重叠MB的区域。该算法可通过调整2个参数来确定检测到的MB的尺寸和邻域,即高斯平滑和局部极大值宽度。如果增大高斯平滑或宽度,则可能产生较少的检测结果。由于在重叠事件中,局部极大值是否真正代表单一MB可能存在较低置信度,因此选择较大的高斯宽度和局部极大值宽度值可实现单次检测。最后,重叠事件遵循算法内单一MB的出生和死亡相同的处理过程,允许事件的分裂和合并,42这可能在连续帧中发生。
微泡定位与追踪
最终分割的区域(MB)用于每个MB的定位。超声领域常用的强度加权质心43在此处也被使用。这是因为最终分割的区域保留了部署该方法所需的全部原始信息。替代方法包括使用半高全宽(FWHM)、25 点扩散函数(PSF)的反卷积23,26,31 或局部极大值来计算PSF的中心。这些方法不利用分割区域的强度,或严重依赖于PSF恒定的假设,因此不是此处的首选。连续帧中的微泡连接(即追踪)使用最近邻方法完成。42
在连接过程之后,所有轨迹叠加在一张图中,从而创建最终密度图。该图中的像素值是穿过该像素的轨迹数。此外,该算法提供了关于MB速度的信息,并生成了MB速度图,其表示穿过每个像素的轨迹的平均速度。像素尺寸可以是原始尺寸或原始尺寸的细分,反映定位不确定性。通过合成数据实验,细分水平通过创建类似于定位不确定性的均方根误差(RMSE)的亚像素来确定。
性能指标/标准
合成数据
该算法的检测效率和定位精度通过合成数据上的五项统计测量进行测试,正如光学显微镜中常用的那样。75 具体如下:
均方根误差。RMSE使用成对粒子事件评估软件的定位精度。每个真值事件与位于其附近的算法结果配对。两者之间的距离提供了定位偏差距离的度量。对于图像序列中的配对数量,由以下公式给出:
其中et是配对t的定位偏差距离。因此,RMSE值越低,定位越好。
漏检事件。任何未与检测事件配对的真值事件计为漏检事件。
虚假事件。任何未被归因于真值事件的检测事件计为虚假事件。
最小距离。这是配对事件之间的最小定位偏差。
最大距离。这是配对事件之间的最大定位偏差。
体外数据
通过比较最终密度图上的血管直径与管径来测试算法性能。
体内数据
通过将最终密度图上的特征与光学显微镜、OPT或OCT上可识别的特征进行比较,评估该方法的准确性和效率。使用了CL和卵泡的横截面积测量值以及动脉、小动脉的血管直径和卵泡壁血管直径。
原理验证前列腺患者数据
该方法还在体内进行了测试,以评估其在因活检证实的前列腺癌而被转诊至AMC大学医院(荷兰阿姆斯特丹)接受根治性前列腺切除术的患者中分辨前列腺微血管的能力。进行了2.4 mL声诺维团剂的外周静脉注射。使用配备经直肠探头C10-3v的iU22超声扫描仪(Philips Healthcare,Bothell,WA)通过经直肠超声成像记录团剂通过前列腺的过程超过2分钟。采集时采用3.5 MHz的功率调制脉冲方案以实现造影特异性成像,机械指数设定为0.06以避免微泡破坏。帧率等于10 Hz。探头固定于某一位置,未观察到呼吸运动。根治性前列腺切除术后,切除的前列腺首先固定,然后切成4 mm厚的切片,随后由病理学家根据细胞分化的显微镜分析进行标记以勾勒前列腺癌范围。
结果
在合成数据上开发超分辨率算法
使用来自羊卵巢的真实帧序列生成合成超声帧序列。典型帧分别如图1的A和B所示。
图1的D至F展示了新分割过程的结果。原始合成图像(图1D)使用分水岭函数进行分割。展示了实施2种不同方法的结果,即光学显微镜中使用的梯度图像(图1E)和反转高斯(图1F)。首先观察到,与反转高斯(图1F)相比,使用梯度图像(图1E)时分割后MB的PSF尺寸更小(图1D中每个MB旁显示的分割像素数),而反转高斯与原始数据(图1D)非常吻合。这2组测量(图1D和F)之间的微小差异源于图1D中噪声的存在以及那里每个MB尺寸的手工计算,而在图1F中,同样的计算是在算法去除噪声过程之后进行的。
表1总结了两种分割方法之间的差异。原始微泡(图1D)在尺寸和形状恢复上的改善(图1F)导致了定位准确度的显著提高。与梯度图像(78.6 μm)相比,使用反转高斯(25.8 μm)时RMSE降低了3倍。其次,使用反转高斯方法时漏检事件显著降低至0.07%(表1)。使用梯度图像时漏检事件发生率高,其原因是算法去除了散射体,使用梯度图像时散射体尺寸显著减小(图1E和F中箭头),因为其尺寸低于微泡回声输入尺寸。结果在图1E中,5个检测中记录了2个,而在图1F中,5个检测中记录了5个。
对合成数据中微泡在外观上合并的重叠事件进行了评估。图1G显示了一个示例,其中2个微泡相距59 μm。如果使用该算法部署局部极大值检测来识别2个微泡中的每一个(图1G),它们(图1H)相距396 μm,分别距管172 μm和224 μm。增大典型粒子尺寸以减少分割区域后,2个合并的微泡被视为单个事件(图1I)。该事件距管中心的距离为14 μm。处理后的合成视频循环在200帧中包含10,780个单个微泡,这产生了2442个重叠微泡(主要由于双粒子重叠)和5896个分离良好的单个微泡(共8338个)。重叠事件实际上是彼此距离低于四分之三波长(385 μm)的2个或更多微泡。这些被视为单个事件。单个事件和重叠事件的数量与软件结果(检测到8117个事件)良好对应。
真实成像中超分辨率方法的评估
体外性能评估
体外可行性试验的结果如图3所示。视频循环包含300帧,并使用与体内工作相同的超声设置采集。B模式帧和相应的对比模式帧分别显示在图3的A和B中。使用倒高斯图像的方法用于处理体外帧序列。这仅限于远离伪影的ROI(图3B的黄框)。图3C展示了在图3B红框内进行检测的示例处理。呈现了将重叠事件分割为2个或更多单个事件(绿色圆圈)以及将重叠事件视为单个事件(红色叉号)所产生的事件。可以看出,将重叠事件视为单个事件会导致定位于管内部,而将这些事件分割为单个事件会导致2个相距600 μm的定位(管最大内径,300 μm)。因此,分割重叠事件通常是错误的,并导致血管尺寸的高估。69此外,使用3种可用的检测过程研究了原始像素尺寸3×3细分下的密度图。图3D显示了仅检测单个且良好分离事件所产生的密度图,而图3E使用了分割重叠事件后产生的单个事件,图3F将重叠事件与良好分离的单个事件一起作为单个事件检测。对上述每种过程,在相同的3个示例位置(1、2和3)测量了FWHM,并给出在表2中。这表明直径估计最好由图3F的图描述,其中重叠事件被视为单个事件。注意,图3D中数据的缺乏导致直径的低估,而缺乏准确的PSF知识导致图3F中直径的高估。最后,图3H显示了使用原始像素尺寸的图3E的相应密度图。
当重叠的MB被视作单个时,血管直径被准确描绘,并证实了我们关于重叠MB位置的假设。这些结果与合成数据一致。通过将重叠事件视为单个事件,所有定位均位于血管内部,并且血管宽度被准确描绘。另一方面,我们对PSF的知识不足以准确指导重叠事件的分割(类似于图1H),因此它们可能位于血管外部,导致血管宽度的高估(图3E)。此外,当仅使用良好隔离的单个MB时,与考虑重叠事件时相比,检测数量下降40%(表2),这导致血管直径的低估。
体内算法性能评估
提取的超声视频循环包含500至1500(处理过的)帧,帧率为12至13 Hz。除用于OCT比较的视频外,所有视频均在团注注射的流入期或流出期采集,用于OCT比较的视频通过输注稀疏MB生成。团注注射的平均视频持续时间为121 ± 19秒,输注为92 ± 28秒。
图4展示了算法在体内环境中的性能示例,分别使用原始像素尺寸(132 μm)或如前所述将原始尺寸进行3×3细分(44 μm)来描绘密度图。图4A显示了羊卵巢典型成熟黄体(第9天)切片的拼贴显微镜图像,采用凝集素染色以显示内皮细胞。圆形图案是由于黄体的近球形形状所致。该形状是母羊发情周期前9至10天内黄体快速血管生成生长的结果。此处的血管架构显示最大的动脉供血围绕组织并分支为较小的微动脉。该动脉的大小在200至300 μm之间。图4A中的箭头显示该动脉在此切片中已不再可见,这是由于血管延续并分支离开平面所致。该动脉分支为微动脉在整个动脉长度上均清晰可见。黄体核心大部分充满微血管。图4A中未显示的是位于黄体位置下方的支持性卵巢血管(动脉和静脉)。图4,B和C分别为CEUS模式下的B模式和峰值对比图像。在峰值对比图像后27秒,当MB群体足够稀疏以使算法能够运行时,追踪了MB通过黄体的运动。视频循环由583帧组成,持续时间为48.6秒。在图4D中,处理包括反转高斯,参数仅针对单个MB检测进行调整。检测数量为10,906,每帧平均检测数为19(范围为1至42),轨迹数为1135。请注意,在缺乏金标准的情况下,无法量化遗漏或虚假事件的数量。图4E显示了路径密度图,在分割过程中使用反转高斯,并设置为检测单个和重叠的MB。这产生了34,325个检测事件,平均每帧59个事件(范围为7至138),以及2951条轨迹。显示的像素尺寸为44 μm。图4F显示了相应的平均速度图。图4G显示了与图4E相同的单个和重叠MB的密度图,但在分割过程中使用梯度图像而非反转高斯。最后,尽管图4,D至G使用了3×3细分过程,图4E采用原始像素尺寸的相应密度图显示于图4H中。
图4A与图4E之间有很好的相似性,而图4D和图3G描绘了一些稀疏的轨迹,与绵羊卵巢的血管结构(图4A)几乎没有相似之处。图4E中的箭头显示了供血动脉终止位置的非常相似的位置(图4A中的箭头)。此外,与内部黄体(CL)相比,这些较大血管具有大量的路径(黄色),这与其在组织学中显示的较大相对尺寸一致。此外,如组织学切片所示,一些较小血管从这些供血血管向内分支。内部CL区域的其余部分具有少量路径,这可能归因于微血管血流较低。图4E方框区域下方是卵巢动脉和静脉,图4A中未显示。这些在图4E中显示出最大的路径密度和最大的血流速度(图4F)。这些特征在图4D和图4G中不明显,后者分别在分割中仅使用单一MB处理和梯度图像方法。此外,在密度图中使用原始像素大小进行定位(图4H)无法描绘不同类型的血管。围绕CL的供血血管(200至300 μm)和CL内部的其他微血管与CL下方宽达数毫米的卵巢动脉和静脉相比,未见差异。
从6个对比视频循环中以类似方式获得并处理了密度图,这些视频循环代表了所获取数据集范围内的典型情况,信息显示在表3中。其中,1个处于团注的流入和流出期,将处理限制在CL内,3个处于流出期,2个在稀疏MB输注期间采集。每个视频循环的持续时间为39至129秒。
表3显示,使用以倒高斯作为分割过程输入的新方法检测单个和重叠微出血(MB)可使检测到的事件数最大化。由于这些数据没有金标准,人工观察证实漏检(未检测到的MB)和虚假事件(错误检测)的比例较低,且未影响最终密度图。实际上,在脑叶(CL)内存在清晰的血管网络模式。该表显示,使用倒高斯检测重叠和单个MB(第7列)在每个数据集中始终是检测事件数的最大值,因此为最优检测。当算法调整为计数单个事件(第6列)时,结果显示重叠事件占检测到的MB事件总数的32%至68%。第4列和第5列显示了改用梯度图像作为分水岭函数输入时的颗粒低估效应。当检测过程中同时使用单个和重叠事件时,计入的事件数比使用倒高斯计数的事件数少17%至57%。这是由于梯度图像计算导致这些颗粒区域收缩所致。收缩导致大量MB事件缩小至不超过5像素的大小,即最小输入尺寸阈值,因而被剔除。此外,单个与重叠事件之间的尺寸区分变得更加难以实现。这是因为算法尺寸阈值是在分割过程之后实施的,而梯度图像导致的收缩使大量重叠MB事件被误分类为单个事件。所得的第5列可能主要包含重叠事件,因为许多单个事件已被最小输入尺寸阈值移除。此外,当颗粒尺寸参数针对单个事件进行调整时,数量进一步减少,但大量重叠事件仍被包含在内(第4列)。如果假设真实MB事件总数大约为第7列的数值,且单个事件在第6列中得到合理近似,则可以估算第4列中计入的单个MB事件数,即第5列数值与重叠事件数(第7列减第6列之差)之间的差值。该值在计算总数的0%至63%之间变化。括号中的负数表示未计入任何单个事件,且还遗漏了一些重叠事件。这些结果证实了图2D和F中观察到的合成数据行为。
体内超声尺寸测量的验证
将来自8只不同绵羊的10个不同卵巢的密度图与组织学(4个卵巢)、OPT(6个卵巢)或OCT(2个卵巢)成像进行比较。其中,8个为团注注射,2个在输注过程中捕获。光学相干断层扫描提供了原位卵巢表面附近血管的实时图像,与相应密度图的比较显示在图5中。主要血管在密度图(图5A)和OCT图像(图5B)中清晰可见。表4提供了所做测量的总结。对于图5所示的图像,OCT测得血管直径为0.9 ± 0.01 mm,而密度图上为1.19 ± 0.01 mm,OCT测得窄血管直径为228 ± 23 μm,而密度图上为236 ± 15 μm。两者之间测量大小的平均差异约为10%,不显著。因此,OCT在密度图之间提供了最佳一致性,表明密度图(图5A)可以提供血管结构的定量和准确信息,包括血管直径和弯曲。
与OCT相比,OPT提供了来自更大组织区域的信息,并且是三维的。与标准光学显微镜相比,OPT提供了整个卵巢的三维重建。因此可以在选定区域选择一个亚体积,其厚度也可以与超声扫描平面相似,约为2 mm,以便进行比较。这在标准二维(2D)显微镜中是不可能的,因为切片的厚度约为5 μm。切片前其方向是粗略估计的,因此难以与超声图像进行比较。因此,在图4的例子中,图4A看起来与图4E非常相似是相当偶然的。图6显示了密度图及相应OPT切片的示例。在每种模态中均可看到超声图像中卵巢的结构:(a)CEUS模式下的峰值对比度,(b)超分辨率处理中的密度图,(c)OPT。在密度图和OPT切片中均可识别卵巢中的结构,如卵泡(F1、F2)、CL和较大血管(V)。2个卵泡在密度图上界定良好,大的CL具有密集的血管网络。在密度图上较小的尺度上,在第一个卵泡中检测到一条轨迹,推测为卵泡外表面的一部分。这在OPT图像中也可见(箭头所示)。该血管在密度图上测得直径为141 ± 54 μm,而在OPT上为83 ± 7 μm。
密度图与组织学切片之间的主要比较是对CL面积的测量。对于3对密度图和组织学配对,组织学上测得的平均CL面积比密度图上测得的面积小48%。对于所有测量,OPT上测得的尺寸平均差值比密度图上测得的尺寸小36%。在密度图上进行的测量中,可与OPT上相似区域进行比较的最小可测区域是小血管和卵泡壁。OPT上血管直径测量为83 ± 7 μm,而密度图上为141 ± 54 μm。OPT上测得卵泡壁厚度为173 ± 35 μm,而密度图上为241 ± 10 μm。显然,与密度图相比,组织学和OPT对所有尺寸和面积测量均提供了显著的低估。
在光学图像中寻找小于100 μm且可与密度图中相同血管进行比较的血管具有挑战性。这是因为所有不同的标准参考技术均未提供大量此类测量。OPT染色不足以勾勒小动脉,而OCT的分辨率和灵敏度不足以显示最小血管。如前所述,带有凝集素染色的2D显微镜可提供此类血管,但无法与超声图匹配。然而,在超声图中观察到若干小于100 μm的血管,并显示在表5中,但未经验证。然而,大量轨迹强烈提示血管的存在。在密度图上测得的最窄血管为55 ± 10 μm,并且在50至100 μm之间存在若干清晰的血管路径。
前列腺图例
将MB追踪算法应用于一例人类前列腺癌。图7 A和B分别为B模式和CEUS模式下MB密度峰值后的对比图像。所获取的数据集具有典型性且信噪比低。视频时长为136秒,其中115秒为处理后时间,提供了密度图和速度图(图7)。检测参数组合经过优化以同时检测单个和重叠的MB。共处理1149帧,检测到612,439个事件并创建了47,536条轨迹。检查时间须尽可能短;因此采用了MB团注注射。结果是每帧MB密度较高,每帧平均检测数为533。
图7 C和D中用矩形、椭圆形和箭头标记的区域显示了与组织学相对应的肿瘤区域。在组织学图像(图7E)中,根据Montironi等76对全 mount 切片细胞分化(Gleason分级)的显微镜分析,癌变区域以红色显示。在组织病理学分析之前,前列腺在福尔马林中固定24小时并切成4 mm切片。注意组织学切片与超声成像平面不平行,一个成像平面可截取多个切片。速度图与组织学显示出非常好的对应关系,特别是切片5、6和7,而密度图与这些切片也显示出合理的一致性。
讨论
在真实患者成像条件下获得了超分辨率图像,证明了使用标准超声造影(CEUS)模式进行临床二维超声超分辨率成像的可行性。分辨率提升至少5倍,因为在3 MHz发射频率(λ = 514 μm)下检测到了小于100 μm的血管,而此处系统分辨率约为λ(脉冲长度的一半)。经验证的最小血管宽度为60 μm(表5),而未经验证的小动脉(55 μm)检测呈现出近乎一个数量级的分辨率提升。合成数据研究表明,微泡(MB)定位不确定度可达到26 μm的精度。使用合成数据使该方法得以发展为超声方法,因为可以评估并最小化处理过程中多个部分引入的误差。这是通过研究检测效率、分割准确性以及随后的MB定位准确性来实现的。在体内结果在分辨率改善方面与文献相当。在大鼠固定位置薄颅骨上的实验在20 MHz发射频率下并使用超快扫描提供了λ/6分辨率。31在其他研究中,使用更高发射频率用于肿瘤识别时达到了λ/4分辨率。33临床扫描仪已被用于体内超分辨率成像的初步演示,并达到了低于20 μm的分辨率,这是系统分辨率提升的5倍以上。24这是在优化设置下进行的以最小化像差,因为仅扫描了薄层组织,即扁平的小鼠耳部,且深度也限制在1 cm,并且组织和探头均静止。我们的结果以至少λ/8.5的精度分辨结构,是在更接近临床二维CEUS的条件下进行的,使用标准CEUS模式、低帧率、放射学相关成像深度以研究组织体积。因此,与上述研究相比,此处的体内数据中存在显著增加的像差。这导致额外的点扩散函数(PSF)形状畸变,对MB检测和分割具有潜在负面影响。鉴于二维超声平面约2 mm的厚度,能够可视化直径数十微米的血管似乎令人惊讶。这可以解释为跟踪算法使得超分辨率MB定位能够跨越切片厚度的第三维。所得的密度和速度图实际上是超声暴露的三维体积投影到二维图像平面。因此,只要散射事件能够被区分,血管结构在投影中得以保留,血流速度也是如此。这是因为不同血管相对于扫描平面可能处于不同角度(即从垂直至平行)。由于角度未知,这可能导致速度描述不准确。然而,原则上,体内二维超分辨率成像不受超声扫描切片宽度的阻碍,并且可以在密度图中描绘多条微血管。尽管可以认为未来使用三维CEUS可能会提高速度准确性,但此处的二维前列腺图像(图7D)强烈表明速度准确性不是问题,因为高血流速度仅在肿瘤周围被检测到,并与其区域良好相关。这可能归因于肿瘤新生血管的高密度,其也具有不规则模式。这确保了大量血管平行于扫描平面。所有这些表明,在临床研究中,需要测试不同类型的速度图,以确定哪些最能代表二维中的肿瘤动力学(例如,可假设代表平行血管速度的最大速度)。此外,组织运动伪影未出现在超分辨率文献中,并且在此处似乎得到了很好的补偿。请注意,动物实验设置确保了避免非刚性运动,并且由呼吸引起的刚性运动保持在二维超声图像平面的平面内。因此,成熟的刚性配准提供了良好的补偿。此外,前列腺不需要组织运动补偿,因为呼吸运动不影响组织的位置。
这里的短视频循环时间(约2分钟)为处理提供了充足的数据,强烈提示临床上相关的检查时间是可行的。然而,与其他研究相比,这种数据缩减给处理带来了额外挑战。较短的视频循环时间要求每帧使用大量微泡(MB)。表3显示了检测到的事件数量(单重叠列)及每次处理的时间,概述了每帧的平均检测数量。与文献相比,我们的算法在前列腺癌病例中,于1149帧中每帧平均检测到533个事件,而相应的数值,例如在Errico等人31的研究中,对于75,000帧的数据集,约为每帧13个事件。如前所述,毫米级血管的血容量比微血管高出数个数量级,因此MB浓度也更高。在稀疏的MB输注浓度下,理论上这导致微血管床中单个MB极少,而较大血管中会出现更多且数个重叠的MB。事实上,本研究发现超过32%的检测事件归因于重叠MB,这意味着总体而言这些事件占图像中MB的50%以上,如CL研究所示(表4)。以往研究倾向于避免重叠MB事件。24,31,32在这种情况下,需要大型数据集来描绘所研究的整个血管空间,24,25,31,52这意味着临床检查时间将显著增加。排除重叠事件的优点是不需要对这些事件进行假设纳入,且定位准确性得到优化。然而,仅使用单个事件可能无法准确描绘大血管的完整可视化。图4D(仅单个)与图4E(包含重叠MB)的比较显示,在约49秒的视频循环时间内,处理中仅纳入单个MB所提供的地图不包括较大的小动脉和供血血管。换言之,排除重叠事件在血管床标测中提供了系统性误差。在处理中纳入重叠MB回波提供了血管结构更准确的描绘,更好地反映了不同大小血管中MB路径比例。有观点认为路径密度与体积流量相关性良好,而排除重叠MB会导致较大血管的血容量估计误差。这进一步强烈提示,大多数重叠事件可能位于较大血管中的假设是正确的。
原文篇幅较长,只翻译了前面部分,其余请阅读原文。
引用
- Kanoulas E, Butler M, Rowley C, et al. Super-Resolution Contrast-Enhanced Ultrasound Methodology for the Identification of In Vivo Vascular Dynamics in 2D. Invest Radiol. 2019. PMID: 31058661. doi:10.1097/RLI.0000000000000565
- 全文:PMC6661242(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6661242/
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。