血管網光聲成像的機器學習抗散射仿真研究

廖江南，高雅，徐文逸，解維婭，程茜

(同濟大學物理科學與工程學院聲學研究所，上海 200092)

0 引言

乳腺癌已成為全球女性發病率最高的腫瘤疾病，乳腺癌的微血管成像對乳腺癌的治療方案和預后有重要意義。乳腺癌的發生往往伴隨著血管的病變，如病理組織周圍血管在形態和數目上的變化，如果能通過檢測血管變化實現對疾病的早期檢測，對乳腺癌的在體診斷和治療具有重要意義。

生物醫學光聲是近年來發展起來的一種無創的新型醫學檢測技術。激光脈沖照射到生物組織中時，組織中的生物分子產生基于熱彈效應的超聲波，我們稱該超聲信號為光聲信號[1]。它結合了高對比度光學成像和高分辨率超聲成像在深層生物組織中的優勢[2]，由于血液中的血紅蛋白與周圍組織間的高光吸收對比度[3]，血紅蛋白在血管網的光聲成像中可作為良好的光聲源，目前，光聲層析成像術(Photoacoustic Tomography,PAT)已廣泛用于血管檢測[4-6]。Wang 等首次將光聲斷層掃描技術應用于小鼠腦成像，成功地獲得了小鼠腦血管的結構圖像[5]。Treeby等利用吸收補償算法實現了小鼠腹部血管網的重建[6]。黃靖等把納米探針和光聲成像結合起來，實現了小鼠在體的腫瘤靶向光聲成像[7]。殷杰提出了一種在隨機散射介質中的格林函數重構方法，并與時間反轉相結合，實現了聲波的動態聚焦和單換能器的光聲成像，改善了散射介質中的光聲成像效果[8]。

最近，深度學習的興起為提高光聲成像質量提供了新的方法。深度學習首先在解決光學成像[9]和超聲成像[10]中的散射問題方面有許多突破，證明了神經網絡能夠在高質量數據的基礎上自主挖掘并利用數據中隱藏的物理規律統計不變性。在光聲成像中，由于脈沖光聲信號的超寬帶特性，其面臨的散射問題比傳統窄帶超聲成像和光學成像更為復雜。目前已有少量利用深度學習解決光聲散射問題的研究。Gao等利用改進后的U-Net網絡實現了模擬經顱腦血管的高質量光聲重建圖像成功克服了顱骨對光聲波的強散射，與傳統光聲成像方法相比具有更好的性能和更清晰的成像結果，也證明了神經網絡可以解決光聲成像中的聲散射問題[11]。

本文基于用于血管分割的數字圖像(Digital Retinal Images for Vessel Extraction,DRIVE)的數據集以及可調參數的顆粒散射層，在k-wave 中建立了不同顆粒散射條件下的微血管網光聲成像仿真模型，并計算獲得光聲散斑圖像數據集；為了提升抗散射網絡的魯棒性和遷移能力，使之廣泛應用不同患者和乳腺癌不同分期，設置了多組具有不同散射顆粒密度和層數的散射層；根據光聲的寬帶特征，采用逐層帶有歸一化模塊的U 型卷積神經網絡(Unet)來學習提取血管網絡光聲散斑圖像中隱藏的有效光聲信息，并重建出高質量的血管網光聲圖像。上述基于深度學習網絡的光聲圖像抗散射重建研究驗證了從散斑中重建高清光聲微血管網的可行性。

1 光聲信號的數值模擬仿真與分析

1.1 血管網散射模型

本文使用了DRIVE 數據集，將數據集中的圖片進行分割處理后作為光聲源進行散射影響下的血管網光聲圖像重建及抗散射研究。該數據集共包含40張視網膜血管圖像。使用滑動窗口對每個圖像進行分割，最終得到4 000張血管長度、直徑、彎曲度、分支模式和角度各不相同的血管網圖像數據集。將處理后得到的4 000張血管分割圖像作為本研究的光聲源，血管直徑分布在150～900 μm之間。代表性樣品血管網分割圖像示例如圖1所示。

圖1 血管網分割圖像示例Fig.1 The sample of segmented vascular network

不失一般性，在每個圖像外圍設置了由散射顆粒圍成的環形散射層。為了研究腫瘤組織內部的異質微結構及鈣化點的疏密對光聲信號散射的影響，以及提升深度學習網絡的魯棒性和遷移能力，本文通過改變散射顆粒的層數和密度，設計了6種不同的散射層模型，如圖2所示。圖2中白色圓點代表散射體，中心的白色血管狀圖案為二值化后的血管網分割圖像，黑色部分代表耦合介質(水)，顆粒直徑取900 μm，即顆粒/血管直徑比保持在1～6。

表1 不同散射模型參數設置Table 1 Parameter settings of different scattering models

圖2 6種不同散射層模型Fig.2 Six different scattering models set in this study

1.2 光聲信號的模擬

在本研究中的光聲信號重建過程中，聲散射對圖像質量的影響遠遠大于光散射。因為在圖像重建的過程中，直接為圖像重建提供信息的是散射后光聲信號的振幅與相位信息；其中，振幅由血紅蛋白吸收光能決定，受散射影響較??；而本研究中的散射顆粒尺寸與光聲波的波長相近，其相位會受到較大影響。因此，本文不考慮光散射，而是聚焦于聲散射。

本文將二值化處理后的分割血管圖像作為模擬光聲源，并布置相同大小的圓形顆粒環繞在其周圍作為模擬散射層。使用Matlab(R2021b)軟件的kwave 工具包模擬血管網光聲信號在散射介質中的傳播。通過周向均布的水聽器間隔5°接收經散射介質傳播的光聲信號。血管網的模擬光聲信號傳播如圖3所示。最后利用延時求和算法對檢測到的光聲信號進行圖像重建。

圖3 模擬光聲信號的傳播過程Fig.3 Simulation of the PA signal propagations

1.3 仿真參數設置

對仿真中的具體參數進行設置，具體的參數為：散射顆粒(黑色部分)的聲速為4 100 m·s-1、密度為1 500 kg·m-3[12-13]、其余部分(白色區域)聲速為1 500 m·s-1、密度為1 000 kg·m-3的軟組織。k-wave設置的計算區域為38.4 mm×38.4 mm，采樣間隔為3 ns，總采樣時間為20 μs。傳感器元件共72 個，每隔5°圍繞帶散射層的光聲源呈環形排列，用于記錄光聲源的光聲場分布。傳感器設置在距離光聲源中心21 mm處。

1.4 重建算法

本研究中圖像重建使用的是k-wave 工具箱里自帶的最基本的時間反轉(Time Reversal,TR)算法。該算法最早由Fink 提出。根據先收先發，后收后發的原理，將接收到的超聲信號進行反投影、疊加，最后確定信號疊加的最大值處為聲源位置[14]。但是，該基本算法忽略了信號的指向性和傳感器陣列的稀疏性，重建圖像的邊緣較為模糊，產生了一定的背景噪聲。重建圖像示例如圖4所示。圖4(a)為數據集中的分割圖像的光聲信號模擬，圖4(b)為模擬信號經內置TR 重建算法處理后的重建圖像。

圖4 k-wave工具箱中TR算法圖像重建示例Fig.4 Example of TR algorithm image reconstruction in kwave toolbox

在存在散射的情況下，經TR算法重建出的圖像既包含了算法造成的圖像模糊與背景噪聲，又包含了因散射造成的圖像模糊。在存在散射的情況下，圖像產生偽影不僅是由于上文所述的算法本身忽略了傳感器陣列稀疏性和指向性產生的偽影；同時由于散射層本身對聲信號造成的散射，相比于無散射情況下，接收到的光聲信號含有大量的散射信號，同時信號的相位、幅度也受到了影響，這會對圖像重建造成進一步干擾，加重了重建圖像的偽影。

2 機器學習抗散射原理及網絡構建

2.1 卷積神經網絡的構建

對于本文中的聲散射過程，可以將血管的圖像信息視為測量對象X，將接收到的光聲信號的直接重建圖像視為測量分布Y，將從X到Y的過程視為光聲信號通過散射層的傳播過程。這個傳播過程可以看作一個映射函數F。因此可以嘗試建立一個神經網絡來解決映射函數F相關的最小化問題。并通過設計輸入和輸出函數的結構風險最小化問題，將這個最小化問題設計成系統的目標函數，求訓練樣本損失函數的最小值。

本文建立了一個卷積神經網絡(Convolutional Neural Networks,CNN)來訓練關于模糊圖像和無散射圖像的映射關系。CNN網絡總體結構遵循U-Net架構[15]，其網絡結構如圖5所示。

圖5 CNN網絡結構Fig.5 The networks structure of CNN

U-Net網絡是在全卷積神經網絡的基礎上改進后的網絡，該網絡使用了編碼器-解碼器結構，因為結構呈完全對稱的U 型被稱為U-Net。U-Net 的淺層包含圖像精細特征的高分辨率信息，深層包含目標和環境之間特征的語義信息[16]。本研究中選用U-Net結構研究散射介質光聲成像有兩個原因：(1)本研究中的光聲成像的散射屬于Mie散射，研究中接收到的是寬帶光聲信號；由于散射點的對光聲信號的散射和疊加，光聲信號場的空間分布較為復雜。而U-Net的淺層和深層分布從圖像中獲取高頻和低頻信息，通過跳躍鏈接(skip connections)可以同時保留高低頻的信息。(2)醫學成像問題相對于其他自然圖像成像問題，其成像目標和結果相對固定。U-Net 可以重建具有自相似性的空間結構[17]，在醫學成像領域表現良好。

本研究使用的網絡結構在U-Net架構的基礎上進行了一些修改：由于U-Net架構對于高頻空間頻率信息的敏感性相對較低[18]，同時本研究中使用的血管網圖像有粗有細，如果只使用U-Net重建，對于較為細小的血管重建會產生偏差。因此，本文在每個下采樣卷積層之后添加了批量歸一化(Batch Normalization,BN)模塊[19]，以克服這個問題。BN模塊通過重新定心和縮放來有效地規范每一批輸入，以緩解內部協變量偏移的問題。卷積層內的激活函數選用ReLU函數。

2.2 CNN網絡的參數選擇

在本文的研究過程中，CNN 網絡使用參數如下：訓練周期數為100，處理尺寸為32，訓練集大小為3 200，測試集大小為800。使用的優化器為Adam，損失函數為交叉熵損失函數(binary_cros‐sentropy)。選取該函數作為損失函數，是因為本文中使用的圖像黑色背景(負樣本)占大部分，正樣本數據比例太小，對于常用的平均絕對誤差(Mean Absolute Error,MAE)函數，均方誤差(Mean Square Error,MSE)函數而言，有效數據量不足，可能出現圖像全黑的情況。而交叉熵損失函數常用于二分類，本文中所使用的眼底血管圖像分割圖為黑白二值圖像，本質上為將圖像構成的Numpy 數組中的黑白像素點進行分類，可以避免上述可能出現的問題。

3 仿真結果分析

為了測試機器學習抗散射的準確性，本文從測試集中隨機選擇了5組圖像，并將它們輸入到訓練過的CNN 中進行測試。數據集中的源圖像(ground truth)如圖6(a)所示。將該圖像作為光聲源對其進行散射影響下的光聲場模擬，之后通過時間反轉算法進行重建得到的光聲散斑圖像如圖6(b)所示。將圖6(b)的散斑圖像作為輸入數據，經神經網絡訓練后輸出的重建圖像如圖6(c)所示?？梢钥闯雠c源圖像(ground truth)相比，直接重建的光聲圖像由于強聲散射和光聲信號的聲阻抗失配，導致了嚴重的斑點、偽影、細節信息丟失和血管邊緣模糊，嚴重降低了光聲重建圖像的質量。而經過CNN 網絡訓練后的重建圖像，有效重建了目標的重要特征和細節，并且邊緣清晰，對比度高。

圖6 CNN網絡圖像重建結果Fig.6 CNN network image reconstruction results

此外，本文還進行了6種不同散射情況下的對比測試，包括多層散射介質，不同顆粒密度的散射介質。使用上述同一個神經網絡對以上6個數據集分別進行訓練，訓練結果如圖7、8所示。在圖8的訓練中，三個模型的顆粒分布面積相同，通過改變顆粒數來改變顆粒密度。將訓練后的重建圖像與源圖像進行比較。散射影響下的直接重建圖像呈現出強烈偽影和背景噪聲。經過CNN 訓練后的重建圖像恢復了血管網絡的結構和丟失的細節，同時背景噪聲也大大降低。

圖7 不同層數時神經網絡的學習結果Fig.7 The learning result of neural network with different layers

圖8 不同顆粒數時神經網絡的學習結果Fig.8 The learning result of neural network with different particle numbers

圖9為對以上6組學習結果的評價指標，評價函數采用MAE。由圖9 可見，經過約30 個訓練周期的波動后，學習結果在60 個訓練周期后趨向收斂。

圖9 機器學習結果評價Fig.9 Evaluation of machine-learning results

4 結論

在血管網光聲成像的抗散射研究中，本文提出了一種基于U-Net的CNN來學習散射介質下血管網的光聲圖像散斑圖與清晰的目標圖像間的映射關系。結果表明，該方法能夠同時克服散射問題和重建算法缺點，從高度模糊的散斑圖中提取有效信息，降低偽影和噪聲，快速重建目標圖像，得到的圖像血管邊緣清晰，細節清晰，對比度高。結果驗證了將機器學習用于散射介質下血管網光聲圖像重建的可行性。該方法為提高散射影響下光聲成像質量提供了有效的工具，同時也為進一步在體深度光聲成像提供了可能，并為乳腺癌的微血管網和病理組織的檢測以及早期診斷提供了一定的理論基礎。但是本文中的機器學習方法和其他機器學習方法一樣，所提出的方法僅限于訓練中的數據集。同時仿真條件的設置和實際在體實驗中乳腺癌的檢測情況還有一定差距。在未來的研究中，我們考慮將CNN 和物理模型相結合，進行動物和人體實驗，驗證深度學習方法在光聲成像抗散射研究中的更多可能。