Page 49 - 《中国医疗器械杂志》2026年第1期
P. 49

Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第1期

                                                     研   究   与   论   著



              区别于微泡的数据处理，该研究是针对红细胞的超                            前者则基于传统的多普勒原理，其最大分辨率与传
                                                                                                     [39]
                               [16]
              分辨率定位和追踪 。另一种可提升分辨率和对比                            统超声成像一样，理论上是1/2个波长 。此外，
              度的技术叫声学子孔径处理（acoustic sub-aperture                SVD的滤波效率也受到帧率的影响                [24-25] ，低帧率下
                                    [29]
              processing, ASAP）方法 。该技术的核心思想是                    时空信息减少，可能导致微泡检测不充分。
              将传统的全孔径接收信号分解为多个子孔径，并对                             1.2.2    超分辨率成像算法
              每个子孔径的数据进行单独处理，然后基于信号相                                微泡定位（或者是红细胞定位）是超分辨率成
              关噪声不相关的本质，通过相干性分析将这些子孔                            像最重要的一个环节（核心算法，见图1），也是
              径数据重新组合，生成高空间分辨率的图像。当                             其之所以能被称为超分辨率成像必不可少的一个算
                                                      [10]
              然，只靠ASAP技术难以实现超分辨率成像 ，但                           法 步 骤 。 2022年 IEEE国 际 超 声 研 讨 会 （ IEEE
              数据经过ASAP后，可以使超分辨率算法的输入数                           IUS）举办了超分辨率成像方法的挑战赛。该比赛
                                     [12]
                                                                                                 [40]
              据的二次旁瓣相对值变小 。超分辨率成像的数据                            收到了来自24个学术组的38组结果 。高斯拟合
              采集时间较长，过程中的探头移动、组织运动、心                           （               [41] 和 基 于 归 一 化 互 相 关 （ NCC-
                                                                 Gaussian  fit）
                                                                       [42]
              跳和呼吸的影响都会导致计算结果最终累加出来的                            based） 都取得了不错的定位结果，整体上则是
              图像失真，因此运动校正对于采集时间较长或组织                            基于稀疏性的反卷积（sparsity-based deconvolution）
              运动明显的临床场景是必不可少的。JENSEN等                     [16]  的定位和特征运动模型框架（feature-motion-model
              采用了横向振荡法（transverse oscillation, TO）进             framework）的追踪组合结果最优 。In vivo结果最
                                                                                              [43]
              行组织的运动估计。该方法之前主要用来实现向量                            优的算法组合则是NCC定位和卡尔曼滤波与基于二
              血流成像 。根据TO计算出组织向量速度，然后                            分图的配对（Kalman-filter & bipartite-graph-based
                       [30]
                                                  [9]
              对不同位置分别进行运动校正。YAN等 实现的多                           pairing）追踪   [13,44] 。这次挑战赛涉及了很多不同方
              级校正，可有效地对心肌进行运动补偿，但也存在                            法。除上述几个方法外，定位方法还包括形态学重
                                                                  [28]
                                                                                [14]
              计算量过大的问题。                                         建 、Deep-ULM 等，追踪方法还包括蒙特卡罗
                  运动校正后的数据通常还需要进行壁滤波处理                          方法   [5,41] 、匈牙利算法   [45-46] 、KalmanNet [47-48] 、微泡
                                                                                              [49]
               见图1蓝黑框），用来提取微泡信号，抑制组织
             （                                                  集配准（bubble-set registration） 等。形态学重建
                                                                                                      [28]
              信号。当前绝大多数超分辨率成像算法的壁滤波处                            技术（morphological reconstruction, MR） 可用于
              理采用奇异值分解（singular value decomposition,            优化微泡信号的提取，并修复微血管成像的断裂部
              SVD）方法     [6,12-13,16] 。SVD可用于血流壁滤波，这是           分，从而达到微血管的轮廓提取和噪声抑制，以提
              因为SVD中较大的奇异值在物理上对应了静止或者                           高微血管映射的准确性。卡尔曼滤波近年来频繁应
                                                                                                [13]
              低速运动且幅值较大的组织，而较小奇异值则对应                            用于超分辨率成像的微泡追踪环节 。在复杂血流
              了高速运动且信号幅值较小的血流。通过对大的奇                            环境中，微泡的运动速度快且方向多变，传统的
              异值置零而滤掉组织信号的相关仿真研究早在                              追踪方法容易受到噪声和信号重叠的干扰，导致
                             [31]
              1997年就被提出 ，后续已被证实它可以有效提高                          定位失真     [50-51] 。卡尔曼滤波是一种高效的时间序列
                           [32]
              血流的灵敏度 。近年来，SVD广泛用于超微血流                           递归滤波算法，能够结合历史状态（k－1帧）和当
              成像的壁滤波处理         [33-35] 。此外，SVD可以应用在超            前时刻（k帧）的信息（如微泡位置），从包含噪
                          [36]
                                                                                                           [13]
              声造影成像中 。鲁棒主成分分析（robust principal                  声的观测数据中优化动态系统的微泡状态估计 。
                                                      [37]
              component analysis, RPCA）与SVD一脉相承 ，可              然而，卡尔曼滤波会受到微泡浓度和帧率的影响。
              以看作加强版的SVD，用于血流壁滤波。改进后的                           浓度高时，相邻帧微泡的空间分布更加密集，对于
              RPCA可以更加有效地对组织和噪声进行滤波，进                           传统卡尔曼滤波，其依赖的最近邻匹配可能产生
              而实现高分辨率的微血流成像，但计算时间相比传                            错误的轨迹关联；与此同时，成像帧率太低也会
              统SVD会增加数倍之多 。鉴于微泡信号强度本身                           导致相邻帧间微泡位移过大，造成轨迹断裂。针对
                                   [38]
              相对较高，复杂而又耗时的壁滤波未来可能在无造                            这些问题，LIU等 基于部分平滑自适应广义标记
                                                                                 [52]
              影剂的超分辨率成像中有更大的应用价值。                               多伯努利滤波器的微泡追踪方法，提升了复杂血管
                  超微血流成像和超分辨率成像虽然通常都采用                          结构低帧率下的高浓度微泡追踪性能。此外，
                                                                      [53]
              SVD壁滤波，但它们存在本质的区别。超分辨率微                           LIU等 提出了一种基于复杂累积量分析的超声成
              泡定位算法使后者的分辨能力突破了衍射极限，而                            像方法，该研究通过对实数信号进行希尔伯特变


                                                             45
   44   45   46   47   48   49   50   51   52   53   54