本期内容中，2024上海医疗器械创新展Medtec为大家介绍一个基于长短期记忆（LSTM）神经网络的无定位超分辨率微气泡流速测量技术（Deep-SMV）。这一技术克服了在传统超声成像领域，传微气泡造影剂虽然广泛应用但其生物相容性和环境影响带来的弊端问题，超声定位显微镜技术在成像分辨率和穿透深度之间的基本折衷，能够在高微气泡浓度下提供高成像速度和鲁棒性，并直接输出超分辨率的血流速度测量。Deep-SMV通过在真实体内血管数据上进行微气泡流动模拟训练，有效地实现了实时速度图的重建，适用于功能性血管成像和脉搏图映射。此外，该技术已成功应用于多种成像场景，包括流动通道模型、鸡胚的绒毛膜和小鼠的大脑成像，展示了其在临床和科研应用中的潜力。

在超声成像领域，传统的微气泡造影剂虽然广泛应用，但其生物相容性和环境影响引起了人们的关注。因此，开发新型的、更安全的替代超声造影剂成为了一个重要的研究方向。

超声造影剂的基本原理和构造

什么是AI超分辨率Super- Resolution 技术：

基于深度学习的超分辨率技术通过训练卷积神经网络（CNN）和长短期记忆网络（LSTM），自动从大量数据中学习如何将低分辨率图像转换为高分辨率输出。这种技术利用深度网络自动提取和处理图像特征，优化了图像的细节和质量，能够实现端到端的图像重建。特别在医学成像和视频增强领域，这种方法不仅提高了处理速度和效率，还因其出色的泛化能力和实时处理能力，为临床应用和实时视频分析提供了显著的技术支持。

本研究的核心在于开发一种名为Deep-SMV的超分辨率超声成像技术，这种技术利用长短期记忆（LSTM）神经网络来处理高浓度微气泡的超声数据，并直接输出高精度的血流速度测量。这一突破性技术有效解决了传统超分辨率超声成像中成像速度慢和分辨率限制的问题，实现了真正的实时速度图重建，适用于功能性血管成像和脉搏图映射。

Deep-SMV 的深度神经网络架构。主网络设计是经典的UNet结构，在瓶颈层中使用长短期记忆（LSTM）块来提供流速测量，输入由时空（2D空间+时间）超声数据和输出组成 超分辨率速度和结构图。图顶部详细提供了 LSTM、输入、编码器和解码器模块设计。每个块上方的文本表示单元的输入通道大小，每个块下方的文本表示单元的输出通道大小

2024上海医疗器械创新展Medtec不仅汇集全球企业，提供产品研发、生产、注册所需的设计及软件服务、原材料、精密部件、自动化制造设备、超精加工技术、合同制造、测试和认证、政策法规和市场咨询服务，同时展会现场还有十数场专业会议，议题涵盖医疗器械的研发设计、高端有源医疗器械的最新技术、光电部件在医疗中的应用、国内外法律法规、市场投融资情报分析等。报名参观即可与行业大咖近距离会面，机不可失！点击此处报名预登记>>>

主要方法：

      研究团队采用基于LSTM的深度学习框架，通过综合分析时空数据来优化超声成像的处理流程。与传统依赖微气泡定位和跟踪的方法不同，Deep-SMV通过神经网络直接从原始超声数据中提取血流速度信息。此外，研究中还包括了在真实体内血管数据上进行的微气泡流动模拟训练，这一步骤是为了让系统能在超高分辨率下准确捕捉微小血管的动态变化。

Deep-SMV 数据工作流程。Deep-SMV 网络采用超声数据的时空（2D 空间 + 时间）输入，将其传递给编码器块以提取空间特征，使用 LSTM 块提取时间特征，然后根据时空特征重建超分辨率测速图 通过解码器块。

基于CAM的MB流模拟程序。(a) CAM 光学图像中 512 x 512 像素区域的绿色通道像素强度的灰度图像。（b）通过应用自适应阈值处理（a）的二进制分割结果。(c) 通过对 (b) 应用中轴骨架化而获得 (b) 的骨架。(d) 由骨架 (b) 构建的无向图，显示在原始 CAM 图像之上。线代表边，点代表顶点。(e) 最终定向血管图，箭头指示每个血管段上的流动方向。(f) MB 流模拟中的 Field-II 超声模拟示例框架。

结果

      Deep-SMV在多种成像场景中展示了其卓越性能，包括流动通道模型、鸡胚的绒毛膜和小鼠的大脑成像。该技术不仅处理速度快，成像质量也显著优于传统方法。实验结果表明，Deep-SMV能够在短时间内完成高质量的血管成像，显示了其在临床和科研应用中的巨大潜力。

CAM 血管数据的 Deep-SMV 工作流程。(a) 使用 (b) 传统的 ULM 定位和跟踪处理 MB 数据的示例短数据段 (64 ms)，从而得到 (c) 非常稀疏的流速图，其中很难可视化微血管解剖结构。(d) MB 信号数据的直接累积揭示了衍射极限血管结构。(e) 使用 Deep-SMV 处理相同的数据段可以进行超分辨率速度估计，并且比传统的 ULM 具有更多的结构连接性。(f)-(h) 大视场长数据段上的 Deep-SMV 和 ULM 性能比较。(i) Deep-SMV 在从供给 (Art) 和引流 (Vein) 脉管系统采样的局部区域显示出明显的脉动特征，这与传统的多普勒速度测量相匹配。(j) 通过功率多普勒、Deep-SMV 和 ULM 重建的 FWHM 测量的三个不同尺寸血管的直径。

讨论

      Deep-SMV技术通过结合现代深度学习技术和传统超声成像技术，解决了超分辨率超声成像中的一些长期问题，例如成像速度慢和无法实时处理高浓度微气泡数据等。此外，该技术的开发还突显了深度学习在医疗成像领域的应用潜力，尤其是在提高操作效率和诊断能力方面。

流道模型验证。(a) 实验流体模的对比能量多普勒图像。(b) 传统的 ULM 定位和跟踪能够用速度估计稀疏地填充流道。(c) Deep-SMV 还能够提供该流道的速度估计，并且在使用 MB 信号方面更加有效，从而导致重建管腔空间的比例更高。(d) 与理论黄金标准相比，ULM 和 Deep-SMV 之间不同流量的速度估计性能。分析 ROI 的放置是为了避免低流速下浮力 MB 产生的上边缘增强伪影（箭头）。

结论

      Deep-SMV框架是超分辨率超声领域的重大创新，它实现了高速且高精度的血管成像，为未来超声成像技术的发展开辟了新的可能性。2024上海医疗器械创新展Medtec相信，凭借其高效的成像能力和实时处理高浓度微气泡的优势，Deep-SMV有望在未来的医疗诊断和治疗中发挥重要作用，特别是在需要快速和精确血流信息的临床场合。

参考文献：

Chen, X., Lowerison, M. R., Dong, Z., Sekaran, N. V. C., Llano, D. A., & Song, P. (2023). Localization free super-resolution microbubble velocimetry using a long short-term memory neural network. IEEE transactions on medical imaging.

文章来源：医工超人