3DMam-U2GAN：利用稀疏数据对超声功率多普勒图像进行高质量重建

《Biomedical Signal Processing and Control》：3DMam-U2 GAN: High-quality reconstruction of ultrasound power Doppler images using sparse data

　　

传统的超声功率多普勒成像（power Doppler imaging, PDI）受到噪声和伪影的影响，限制了在稀疏采集下可靠的血管可视化。研究人员提出3DMam-U₂GAN，一种混合重建框架，将传统PDI处理与深度生成建模相结合，以从稀疏数据中重建高质量图像。该方法将血管重建建模为一个逐块生成任务，将三维（three-dimensional, 3D）时空通道数据映射为二维（two-dimensional, 2D）PDI。核心架构是一个基于改进U-squared Net（U₂Net）骨干网络的生成对抗网络（generative adversarial network, GAN），并辅以3D Mamba模块，以线性计算复杂度捕获长程依赖关系。窗口选择性扫描模块（window-selective scanning module, WSSM）在建模窗口间相关性的同时保留窗口内依赖关系。Mamba模块嵌入到一个3D降维阶段中，该阶段在扩展的时间窗口上高效地将通道数据投影到图像空间。该网络采用结合相对对抗和梯度惩罚项的混合损失，以增强重建保真度和噪声抑制。在所有评估的稀疏率（sparsity rate, SR）下，所提出的3DMam-U₂GAN持续优于基线和近期最先进的（state-of-the-art, SOTA）方法。与奇异值分解（singular value decomposition, SVD）相比，对比度（Contrast Ratio, CR）提高了30%–70%，CR的标准差（standard deviation, SD）降低了70%–90%，对比噪声比（Contrast-to-Noise Ratio, CNR）提高了30%–50%。与SOTA方法相比，CR的SD降低了约70%，而CNR提高了约0.2%，同时其SD降低了约15%。这些结果表明，所提出的方法能够从稀疏数据实现准确高效的PDI重建，推动实时血流成像在时间受限的临床工作流中的应用。

**论文解读：3DMam-U₂GAN——基于稀疏数据的超声功率多普勒图像高质量重建**

**研究背景、现存问题与研究动机**

超声功率多普勒成像（PDI）是一种基于多普勒效应的超声成像模式，通过检测多普勒信号能量而非频移幅度或方向来成像，对低速血流高度敏感，因此能更好地检测慢速血流。近年来，超快平面波成像的普及扩展了PDI在神经科学、功能性血管成像和实时脑导航中的应用。然而，传统PDI仍面临杂波滤波的挑战：组织信号的不完全去除常导致运动伪影。常用的高通滤波（HPF）依赖于截止频率的选择，不当参数会导致杂波抑制不足或血流信号丢失；自回归（AR）模型在慢血流检测和非平稳运动方面表现有限；主成分分析（PCA）假设组织信号具有低秩性，但复杂生理过程下该假设不成立；奇异值分解（SVD）虽已成为稳健的矩阵分解技术，但阈值选择困难，且计算开销较大。近年来，鲁棒主成分分析（RPCA）及其变体（如Cauchy-norm RPCA、fRMC、RAPID）在杂波分离上有所改进，但计算成本高昂。深度学习的引入展现了潜力，但现有方法多局限于二维或一维信号处理，未能充分利用多普勒信号的时空相关性。Transformer类模型虽能建模长程依赖，但其二次计算复杂度在处理数百帧长序列时成本过高。状态空间模型（SSM）及其代表性架构Mamba通过参数化线性递推关系实现线性复杂度，在医学图像分割中已展现出效果，但其在PDI重建中的应用尚待探索。因此，亟需一种能从时空稀疏数据中输出高质量PDI的杂波抑制策略。

**研究内容与结论**

为解决上述问题，研究人员提出3DMam-U₂GAN，一种混合重建框架，将传统PDI处理与深度生成建模相结合，直接从稀疏的3D时空通道数据重建高质量2D PDI。该方法将血管重建建模为逐块生成任务，核心架构基于改进的U-squared Net（U₂Net）生成对抗网络（GAN），并嵌入3D Mamba模块以线性复杂度捕获长程依赖关系，同时引入窗口选择性扫描模块（WSSM）保留窗口内依赖并建模窗口间相关性。网络采用结合相对对抗和零中心梯度惩罚（0-GP）的混合损失函数，增强重建保真度和噪声抑制。实验结果表明，在所有评估稀疏率（SR：50%–95%）下，3DMam-U₂GAN均优于传统SVD和近期SOTA方法（如RAPID）。与SVD相比，对比度（CR）提高30%–70%，CR标准差降低70%–90%，对比噪声比（CNR）提高30%–50%；与SOTA方法相比，CR标准差降低约70%，CNR提高约0.2%且其标准差降低约15%。该方法在极端稀疏（SR=95%）下仍能保持稳定重建，具有良好的鲁棒性和泛化能力。该论文发表在《Biomedical Signal Processing and Control》。

**关键技术方法**

研究人员为开展研究主要采用了以下几项关键技术方法（样本队列来源公开PALA数据集，包括大鼠脑、肾脏和脑团注三种类型，共691个采集块，按9:1比例划分训练集和测试集，并以采集块为单位防止时序数据泄露）：
1. **3DMam CNN模块**：结合3D卷积和Mamba状态空间模型，通过窗口选择性扫描模块（WSSM）对3D时空特征进行降维，同时提取局部和长程依赖关系。
2. **U₂Net生成器**：采用嵌套U型架构，包含六层编码器和五层解码器，每层由残差U块（RSU）构成，通过跳跃连接保留底层结构信息。
3. **PatchGAN判别器**：对局部图像块进行判别，增强高频结构真实性，采用LeakyReLU激活和实例归一化以保证训练稳定性。
4. **混合损失函数**：结合相对配对GAN（RPGAN）对抗损失、结构相似性（SSIM）损失、平滑L1损失和感知损失，并加入零中心梯度惩罚（R1/R2）以稳定训练。

**研究结果**

**4.1 重建性能**
通过对大鼠脑、团注和肾脏三个解剖区域的全帧重建，3DMam-U₂GAN在CR、CNR、PSNR、SSIM、NCC和半高全宽（FWHM）比值上均优于SVD，且在肾脏数据集上达到最高CR（45.862 dB）。与RAPID相比，3DMam-U2GAN在CR上更高，CNR略低但结构保真度（如NCC达0.912）更优，FWHM比值均大于1，表明血管锐度更高。

**4.2 稀疏重建研究**
在50%、75%、85%、95%四种稀疏率（SR）下对肾脏数据集进行实验。SVD重建随SR增高而显著退化，出现血流信号衰减和血管碎裂；而3DMam-U₂GAN在所有SR下保持稳定的血管形态和信号连续性，CR标准差大幅降低（如从SVD的13.37 dB降至1.69 dB），PSNR、SSIM和NCC波动极小。与RAPID相比，3DMam-U₂GAN在CR和CNR上全面占优，尤其在SR=95%时RAPID的CR骤降42.1%，而3DMam-U₂GAN仅下降0.7%。蒙特卡洛随机时间采样实验进一步证实其鲁棒性：在SR=95%时，所有指标的鲁棒性均超过94%。

**4.3 基于GAN的网络组件消融研究**
通过替换Mamba模块为xLSTM、TCN、ResNet，或替换U₂Net为UNet进行消融。3DMam-U₂Net在PSNR（19.205 dB）、SSIM（0.644）和NCC（0.860）上达到最高，且标准差最低。xLSTM-U₂Net性能最差（CR仅22.573 dB，SSIM仅0.342），表明循环门控难以优化高维3D数据；TCN-U₂Net表现中等，但不及Mamba模块；Res-UNet虽然CR最高，但PSNR和SSIM较低，表明其优先增强对比度而牺牲结构一致性。定性结果也显示3DMam-U₂Net能更好保留微血管细节。

**讨论与结论总结**

讨论部分指出，3DMam-U₂GAN有效缓解了PDI中杂波抑制与血流保留之间的长期权衡。与传统基于波束形成和滤波的方法相比，其通过深度时空建模从稀疏数据中保留弱血流信号，降低了对长采集窗口的依赖。消融实验表明，仅靠Mamba模块或U₂Net多尺度设计均不足，二者的集成才是实现稳健重建的关键。在计算效率上，RAPID处理体积需要约95 s，而3DMam-U₂GAN推理仅需0.12 s，具有实时潜力。局限性包括：实验基于小动物数据，临床大范围成像可能面临内存和训练稳定性挑战；当前模型为二维空间加时序建模，未来可扩展至全3D体素重建。研究结论部分（Section 6）原文翻译如下：在本研究中，研究人员介绍了3DMam-U₂GAN，一种基于模型的超声PDI重建框架，构建于生成对抗架构之上。在极端稀疏率下一致的CR、CNR和低方差表明其对时序信息丢失具有强鲁棒性，而非过拟合于RAPID参考。所提出的方法整合了一个定制的生成器，用于处理3D帧输入，同时配备Mamba和特征注意力模块以增强特征提取。通过将杂波滤波和稀疏血流成像整合到一个单一模型中，3DMam-U₂GAN能够直接处理3D IQ数据，即使从稀疏数据也能实现高质量多普勒血流重建。实验结果表明，该方法在血流信号提取（包括实时性能和重建精度）方面具有显著优势，为超声血流成像的智能化、实时化、高精度化发展提供了新方向。