Определение границы раздела сред по трёхмерным данным матричного ультразвукового датчика с использованием свёрточных нейронных сетей

Введение. Работа посвящена моделированию процесса ультразвукового медицинского исследования в гетерогенной среде, в которой присутствуют области с существенно разной скоростью звука. Такие постановки задач возникают, например, при визуализации структур мозга через череп. Целью данной работы является сравнение возможных подходов к определению границы раздела акустически контрастных сред с использованием свёрточных нейронных сетей.
Материалы и методы. В работе выполняется численное моделирование прямой задачи — получение синтетических расчётных ультразвуковых изображений по известной геометрии и реологии области, а также параметрам датчика. На расчётных изображениях воспроизводятся искажения и артефакты, типичные для постановок со стенкой черепа. Для решения обратной задачи определения границы раздела сред по сигналу с датчика используются свёрточные нейронные сети 2D и 3D структуры, следующие общей архитектуре UNet. Сети обучаются на наборах расчётных данных, после чего тестируются на отдельных примерах, не использованных при обучении.
Результаты исследования. Получены расчётные B-сканы для характерных постановок. Показана возможность локализации границы аберратора с хорошим качеством как для 2D, так и для 3D свёрточных сетей. Показано более высокое качество результата для 3D сетей в случае наличия значительного шума и артефактов во входных данных. Установлено, что сеть 3D архитектуры может обеспечить получение формы границы раздела сред за 0,1 секунды.
Обсуждение и заключения. Результаты работы могут быть использованы для развития технологий транскраниального ультразвукового исследования. Быстрая локализация границы стенки черепа может быть включена в алгоритмы построения изображения для компенсации искажений, вызванных различием скоростей звука в костных и в мягких тканях.

1. Beklemysheva K.A., Grigoriev G.K., Kulberg N.S., Petrov I.B., Vasyukov A.V., Vassilevski Y.V. Numerical simulation of aberrated medical ultrasound signals. Russian Journal of Numerical Analysis and Mathematical Modelling. 2018;33(5):277–288. https://doi.org/10.1515/rnam-2018-0023

2. Perdios D., Vonlanthen M., Martinez F., Arditi M., Thiran J.P. Single-shot CNN-based ultrasound imaging with sparse linear arrays. In: 2020 IEEE International Ultrasonics Symposium (IUS). Las Vegas, NV, USA; 2020. P. 1‒4. https://doi.org/10.1109/IUS46767.2020.9251442

3. Patel D., Tibrewala R., Vega A., Dong L., Hugenberg N., Oberai A. Circumventing the solution of inverse problems in mechanics through deep learning: Application to elasticity imaging. Computer Methods in Applied Mechanics and Engineering. 2019;353:448–466. https://doi.org/10.1016/j.cma.2019.04.045

4. Hongya Lu, Haifeng Wang, Qianqian Zhang, Sang Won Yoon, Daehan Won. A 3D Convolutional Neural Network for Volumetric Image Semantic Segmentation. Procedia Manufacturing. 2019;39:422–428. https://doi.org/10.1016/j.promfg.2020.01.386

5. Potočnik B., Šavc M. Deeply-Supervised 3D Convolutional Neural Networks for Automated Ovary and Follicle Detection from Ultrasound Volumes. Applied Sciences. 2022;12(3):1246. https://doi.org/10.3390/app12031246

6. Brown K., Dormer J., Fei B., Hoyt K. Deep 3D convolutional neural networks for fast super-resolution ultrasound imaging. Proceedings SPIE 10955, Medical Imaging 2019: Ultrasonic Imaging and Tomography. 2019;10955:1095502. https://doi.org/10.1117/12.2511897

7. Mast T.D., Hinkelman L.M., Metlay L.A., Orr M.J., Waag R.C. Simulation of ultrasonic pulse propagation, distortion, and attenuation in the human chest wall. J. Acoust. Soc. Amer. 1999;6:3665–3677. https://doi.org/10.1121/1.428209

8. Madsen E.L., Sathoff H.J., Zagzebski J.A. Ultrasonic shear wave properties of soft tissues and tissuelike materials. J. Acoust. Soc. Am. 1983;74(5):1346–1355. https://doi.org/10.1121/1.390158

9. Vassilevski Y.V., Beklemysheva K.A., Grigoriev G.K., Kulberg N.S., Petrov I.B., Vasyukov A.V. Numerical modelling of medical ultrasound: phantom-based verification. Russian Journal of Numerical Analysis and Mathematical Modelling. 2017;32(5):339–346. https://doi.org/10.1515/rnam-2017-0032

10. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Lecture Notes in Computer Science. 2015;9351:234–241. https://doi.org/10.1007/978-3-319-24574-4_28

11. Paserin O., Mulpuri K., Cooper A., Abugharbieh R., Hodgson A. Improving 3D Ultrasound Scan Adequacy Classification Using a Three-Slice Convolutional Neural Network Architecture. In: CAOS 2018 (EPiC Series in Health Sciences Vol 2). Beijing, China; 2018. P. 152–156. https://doi.org/10.29007/2tct

12. Jiang M., Spence J.D., Chiu B. Segmentation of 3D ultrasound carotid vessel wall using U-Net and segmentation average network. In: 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). Montreal, QC, Canada; 2020. P. 2043–2046. https://doi.org/10.1109/EMBC44109.2020.9175975

13. Zheng Y., Liu D., Georgescu B., Nguyen H., Comaniciu D. 3D deep learning for efficient and robust landmark detection in volumetric data. Lecture Notes in Computer Science. 2015;9349:565–572. https://doi.org/10.1007/978-3-319-24553-9_69

14. Ghimire K., Chen Q., Feng X. Patch-Based 3D UNet for Head and Neck Tumor Segmentation with an Ensemble of Conventional and Dilated Convolutions. Lecture Notes in Computer Science. 2021;12603:78–84. https://doi.org/10.1007/978-3-030-67194-5_9

15. Coupeau P., Fasquel J.B., Mazerand E., Menei P., Montero-Menei C.N., Dinomais M. Patch-based 3D U-Net and transfer learning for longitudinal piglet brain segmentation on MRI. Computer Methods and Programs in Biomedicine. 2022;214:106563. https://doi.org/10.1016/j.cmpb.2021.106563