Page 50 - 《中国医疗器械杂志》2026年第1期
P. 50

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

                                                     研   究   与   论   著



              换，计算高阶累积量，消除轴向振荡，有效提高了                            了3D的ULM 。然而，这种扫描方式还是难以跨
                                                                            [10]
              ULM的空间分辨率（提升35%~42%），并缩短了                         平面追踪微泡。虽然每个2D平面的扫描帧率很
              数据采集时间。                                           高，但卷率随扫描平面数的增加而降低，在第3个
               1.2.3    人工智能的应用                                 维度上难以实现超分辨率 ，且组织和血管的运
                                                                                         [10]
                  近年来深度学习（deep learning）在超分辨率                   动也会干扰成像精度。采用2D面阵探头可以解决
              成像领域得到了广泛的应用和认可                  [8,14,26,54-56] 。人工  这些问题，但它依赖于系统的通道数与硬件处理
              智能（artificial intelligence, AI）可在超分辨率成像           能力。例如，32        ×32阵元的面阵探头需要1 024通
                                                                                           [59]
                                                    [54]
              不同环节上替代原有传统算法。YOUN等 应用卷                           道的超声系统实现3D的ULM 。尽管通过子孔径
              积神经网络（convolutional neural network, CNN）          处理方法可以将接收通道数由1 024降到256，实现
              替代传统延时叠加（delay-and-sum, DAS）波束合                   多路复用（multiplexors） ，一定程度上降低了
                                                                                        [60]
              成，目的在于定位传统方法难以区分的高密度分布                            硬件成本，但每次扫描的覆盖范围会相应变小，
              的散射体。它的潜在应用价值是高浓度微泡的超分                            导致扫描效率降低。基于3D卡尔曼滤波的微泡追
                                          [8]
              辨率成像。无独有偶，SHIN等 应用深度学习，解                          踪使测量模型的复杂性显著增加，导致计算资源
                                                                         [51]
              决的也是高浓度微泡的定位问题。SLOUN等                       [14]  消耗很大 。此外，3D-PSF估计、微泡定位等环
              提出的Deep-ULM旨在解决传统ULM在高浓度微泡                        节均需大量离线计算，这些都从一定程度上限制
              场景下的局限性，显著提升成像速度与分辨率。                             了算法的泛化能力，导致其难以满足临床快速和
                         [55]
                                                                           [51]
              MILECKI等 提出了一种基于3D CNN的深度学习                       实时的需求 。
              框架（Deep-stULM），可直接从超声图像序列                             行列寻址（row column addressed, RCA）探头
             （                                                  中，原先32×32的矩阵仅需32+32=64通道，使得
               时空数据）中检测和提取微泡的运动轨迹，无须
              逐帧定位微泡。该方法可用来处理高浓度微泡信                             系统硬件复杂度显著降低，更易于临床推广                        [12] 。
                                                                          [61]
              号，成像时间可比低浓度传统方法减少大约50%                            JENSEN等 采用62+62的RCA探头，基于正反波
             （                                                  形交替发射与合成孔径成像，其超分辨率成像在空
               仿真数据），并同时保持超分辨率。SOLOMON
              等 [56] 提出了一种基于深度展开的RPCA，可用在                       间3个维度上的分辨能力均达到了23 μm以下，且该
              超分辨率成像时分离微泡信号和杂波组织信号。                             技 术 还 可 扩 展 至 128+128的 RCA探 头       [62] 。 然 而 ，
              这里的深度展开是指将迭代算法展开为深度网络，                            RCA探头存在其固有的图像分辨率较低的缺陷，需
              通过卷积层和混合训练策略提升收敛速度和图像                             要依赖超分辨率算法补偿，可能限制了其对极小
                              [57]
              质量。ZHANG等 结合多分支CNN和递归变换器                          血 管 （ 小 于 50  μm） 的 识 别 能 力      [12] 。 HANSEN-
             （                                                  SHEARER等    [63] 揭示了128+128的RCA探头的十字
               Transformer），从低分辨率时间平均图像重建
              ULM，显著减少了数据采集和处理的时间，即，                            形伪影，并提出了基于帧乘加（frame-multiply-
              400帧可达与15 000帧相当的峰值信噪比（peak                       and-sum, FMAS）的RCA探头波束合成改进算法，
              signal-to-noise ratio, PSNR），实现了超快速ULM。           仿真研究表明FMAS可以有效降低栅瓣和旁瓣。
                                                                                [64]
                       [58]
              ZHANG等 提出一种结合Transformer和U-Net的深                  最近，HEILES等 应用RCA探头发射X-wave，实
              度学习框架（ULM-TransUNet），有效提升了高密                      现了非线性声层显微成像，不仅突破衍射极限，还
              度微泡条件下的超分辨率成像性能（9.4 μm分辨率                         可检测毛细血管中的超低速血流（0.5~3 mm/s）。
              和每帧26 ms处理速度）。由此可见，AI可在超分                         此外，还有研究引入了多镜头衍射层（multi-lens
              辨率成像的波束合成、壁滤波、定位和追踪等多个                            diffracting layer） ，通过低频（1 MHz）和超大
                                                                                [24]
              算法步骤上起到改善作用（见图1橙色，AI在多个                           孔径（10 cm×10 cm）的使用，有效提升了矩阵探
              环节的应用）。                                           头的灵敏度和穿透力，并有助于检测更加微弱的微
               1.3    3D成像技术                                    泡信号，从而能够更精确地定位微小血管结构。该
                  早期的超分辨率成像是2D平面成像，无法全                          研究结合Houdini软件（Side Effects Software Inc.）
              面反映3D的血管结构。微血管结构错综复杂，无                            通过Field Ⅱ  [65-66] 仿真验证了技术的可行性，为实际
                                                                                    [24]
              论是单根还是多根，几乎都不可能完全处于同一                             应用提供了理论依据 。随着3D超分辨率成像技
              平面。实际情况下，微泡不可能总在同一平面上                             术的发展，全器官3D成像逐步成为可能，例如，
                                                                       [67]
              运动。起初，研究人员采用机械扫描的探头实现                             3D肾脏 、小鼠全脑 。
                                                                                   [11]
                                                             46
   45   46   47   48   49   50   51   52   53   54   55