DOI: https://doi.org/10.1016/j.bspc.2026.110368
PMID: https://pubmed.ncbi.nlm.nih.gov/42147495
تاريخ النشر: 2026-04-30
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: طرق إزالة الضوضاء من الصور والإشارات
نظرة عامة
تقدم هذه القسم إطار عمل جديد للتخلص من الضوضاء ذاتية الإشراف لتصوير الأوعية الدقيقة بالموجات فوق الصوتية (UMI) يسمى نصف زاوية إلى نصف زاوية (HA2HA). تتناول هذه الطريقة المشكلة الشائعة لنسبة الإشارة إلى الضوضاء المنخفضة (SNR) في UMI، لا سيما في سيناريوهات التصوير الخالي من التباين أو الأنسجة العميقة، والتي يمكن أن تؤثر على تقدير الأوعية الدموية وتشخيص الأمراض. يقوم HA2HA بإنشاء أزواج تدريب من مجموعات زوايا مكملة من بيانات تدفق الدم بتردد الراديو (RF) المتكونة، مما يسمح بالحفاظ المتسق على إشارات الأوعية الدموية مع تغيير الضوضاء بشكل فعال. تم تدريب الإطار على بيانات خالية من التباين من كلى الخنازير وتم التحقق من صحته عبر مجموعات بيانات متعددة، بما في ذلك كل من التصوير الخالي من التباين والتصوير المعزز بالتباين من كلى الخنازير وكبد وكلى الإنسان.
تشير النتائج إلى تحسين كبير في جودة الصورة، مع تحسينات تتجاوز 15 ديسيبل في كل من نسبة التباين إلى الضوضاء (CNR) وSNR. بالإضافة إلى ذلك، تمتد قدرات HA2HA في التخلص من الضوضاء إلى ما وراء تصوير دوبلر القوي للاستفادة من العمليات اللاحقة مثل تصوير دوبلر الملون (CDI). أظهرت نتائج CDI لكبد الإنسان، المشتقة من إشارات HA2HA المنزوعة الضوضاء، تحسينًا في تصور تدفق الأوعية الدقيقة مع تقليل الضوضاء الخلفية. بشكل عام، يمثل HA2HA حلاً خالياً من العلامات، وقابل للتعميم، وقابل للتطبيق سريرياً لتصوير الأوعية الدموية بشكل قوي، مما يظهر أداءً قويًا عبر مجموعات بيانات متنوعة ويحسن وضوح التصوير الهيكلي والوظيفي للأوعية الدقيقة.
مقدمة
في مقدمة ورقة البحث، يناقش المؤلفون أهمية تصوير الأوعية الدقيقة بالموجات فوق الصوتية (UMI) كأداة حاسمة لتصور النظام الدقيق للدورة الدموية، والذي يعد أساسياً لتشخيص ومراقبة مختلف الأمراض. يمكن تصنيف UMI إلى طرق خالية من التباين وطرق معززة بالتباين، حيث تعتمد الأولى على الإشارات المرتدة من كريات الدم الحمراء وتستخدم الثانية عوامل تباين الفقاعات الدقيقة. يبرز المؤلفون قيود تقنيات معالجة الإشارات الحالية، مثل تشكيل الشعاع التكيفي وتصفية الفوضى المتقدمة، والتي غالباً ما تتضمن تعقيدًا حسابيًا عاليًا وتتطلب ضبطًا واسعًا للمعلمات.
لمعالجة هذه التحديات، تقدم الورقة إطار عمل جديد للتخلص من الضوضاء ذاتية الإشراف يسمى نصف زاوية إلى نصف زاوية (HA2HA)، مستوحى من نموذج Noise2Noise (N2N). يقوم HA2HA بإنشاء أزواج تدريب من بيانات تدفق الدم RF المركبة زوايا، مما يسمح بالتخلص الفعال من الضوضاء دون الحاجة إلى صور مرجعية نظيفة. تم تدريب الطريقة على بيانات كلى الخنازير الخالية من التباين وتم التحقق من صحتها عبر مجموعات بيانات متنوعة، مما يظهر تحسينات كبيرة في نسبة التباين إلى الضوضاء (CNR) ونسبة الإشارة إلى الضوضاء (SNR)، تتجاوز 15 ديسيبل. يذكر المؤلفون تحسين تصور الهياكل الدقيقة للأوعية وتحسين تمثيل سرعة التدفق في تصوير دوبلر الملون، مما يشير إلى قوة HA2HA وقابليته للتكيف في سيناريوهات سريرية متنوعة.
طرق
في قسم الطرق، يوضح الدراسة التحليل المقارن لمختلف التقنيات لإعادة بناء صور دوبلر القوي. تستخدم الطريقة التقليدية بيانات مركبة زوايا كاملة، وتطبق تحليل القيمة المفردة (SVD) لتصفية الفوضى. في المقابل، تستفيد طريقة المعالجة التكيفية (AP) من الخصائص غير المتماسكة للضوضاء عبر زوايا التوجيه المختلفة لتعزيز كبح الضوضاء. تتضمن هذه الطريقة تصنيف زوايا الموجات المسطحة الموجهة إلى مجموعات فردية وزوجية، والتي يتم تجميعها وتصفيتها بشكل مستقل باستخدام SVD. يتم تحويل إشارات التردد الراديوي (RF) الناتجة إلى إشارات ذات قيم معقدة من خلال تحويل هيلبرت، تليها الضرب التبادلي لتكبير مكونات التدفق مع تقليل الضوضاء غير المتماسكة الزاوية.
بالإضافة إلى ذلك، يتم استخدام تقنية تصفية المتوسطات غير المحلية الزمانية المكانية (ST-NLM) للتفريق بين تدفق الدم المستمر والضوضاء غير المرتبطة زمنياً في المجال الزماني المكاني. يتم تطبيق هذه الطريقة على بيانات تدفق الدم RF المركبة زوايا كاملة والمصفاة باستخدام SVD، باستخدام حجم نافذة تشابه قدره \(11 \times 11\) (384 ميكرومتر × 22 مللي ثانية) ونافذة بحث تكون ضعف حجم نافذة التشابه في كل من الأبعاد المكانية والزمنية. تهدف هذه المنهجيات مجتمعة إلى تحسين دقة وجودة تصوير دوبلر في وجود الضوضاء.
نتائج
في هذا القسم، تظهر نتائج الدراسة قابلية تعميم شبكة HA2HA، التي تم تدريبها في البداية على بيانات RF خالية من التباين من كلى الخنازير. تم تقييم الشبكة بعد ذلك على مجموعات بيانات متنوعة دون أي ضبط دقيق، بما في ذلك بيانات كلى الخنازير المعززة بالتباين، وبيانات كبد الإنسان الخالية من التباين، وبيانات كلى الإنسان من مرضى يعانون من مرض الكلى المزمن (CKD).
علاوة على ذلك، تم تقييم قوة الطريقة المقترحة تحت ظروف مختلفة لنسبة الإشارة إلى الضوضاء (SNR) من خلال استخدام بيانات كلى الخنازير الخالية من التباين التي تم جمعها باستخدام بروتوكولات جمع بيانات مختلفة. تبرز هذه التقييمات قدرة الشبكة على الحفاظ على الأداء عبر سيناريوهات وظروف تصوير مختلفة، مما يبرز إمكانية تطبيقها في الإعدادات السريرية.
مناقشة
إطار عمل HA2HA هو نهج تعلم عميق ذاتي الإشراف مصمم للتخلص من الضوضاء في إشارات تدفق الدم بالموجات فوق الصوتية (RF)، مما يعزز بشكل فعال تصوير الأوعية الدقيقة بالموجات فوق الصوتية (UMI) دون الحاجة إلى تسميات نظيفة. من خلال الاستفادة من الازدواجية في مجال الزاوية، يقوم HA2HA بإنشاء أزواج تدريب من بيانات RF الملتقطة عند زوايا توجيه مختلفة، مما يسمح للنموذج بتعلم استعادة إشارات الأوعية الدموية النظيفة وسط الضوضاء. تعمل هذه الطريقة مباشرة على إشارات RF، وهو ما يعد ميزة للتطبيقات اللاحقة مثل تصوير دوبلر الملون (CDI) التي تعتمد على معلومات الطور لإشارات الموجات فوق الصوتية. يظهر الإطار تحسينات كبيرة في نسبة التباين إلى الضوضاء (CNR) ونسبة الإشارة إلى الضوضاء (SNR)، محققًا مكاسب تتجاوز 15 ديسيبل عبر مجموعات بيانات متنوعة، بما في ذلك كل من الظروف الخالية من التباين والمعززة بالتباين.
تستخدم بنية HA2HA تصميم U-Net ثنائي الأبعاد، والذي يلتقط بشكل فعال كل من الميزات المكانية العالمية والدقيقة، مما يسهل التخلص من الضوضاء بشكل قوي. تستفيد عملية التدريب من أزواج من الملاحظات المليئة بالضوضاء، مما يسمح للشبكة بتعلم تمثيلات الإشارات النظيفة دون إشراف صريح. تتضمن دالة الخسارة مكونات متعددة لضمان الاتساق وكبح الضوضاء بشكل فعال. من الجدير بالذكر أن HA2HA يظهر قابلية تعميم قوية، حيث يؤدي بشكل جيد على مجموعات بيانات غير مرئية، بما في ذلك مسحات كبد وكلى الإنسان، على الرغم من تدريبه فقط على بيانات كلى الخنازير الخالية من التباين. تعد هذه القدرة مفيدة بشكل خاص للمرضى الذين لا يمكنهم استخدام عوامل التباين، حيث تتيح تصوير الأوعية الدقيقة بجودة عالية مع الحفاظ على سلامة الهياكل الوعائية. تشمل الاتجاهات المستقبلية لهذا البحث استكشاف تحسينات في الدقة المكانية وتوسيع الإطار ليشمل تصوير الموجات فوق الصوتية ثلاثي الأبعاد، مما قد يحسن بشكل أكبر جودة وقابلية تطبيق UMI.
DOI: https://doi.org/10.1016/j.bspc.2026.110368
PMID: https://pubmed.ncbi.nlm.nih.gov/42147495
Publication Date: 2026-04-30
Author(s): Zhenyun Du et al.
Primary Topic: Image and Signal Denoising Methods
Overview
The section presents a novel self-supervised denoising framework for ultrasound microvascular imaging (UMI) called Half-Angle-to-Half-Angle (HA2HA). This approach addresses the prevalent issue of low signal-to-noise ratio (SNR) in UMI, particularly in contrast-free or deep tissue imaging scenarios, which can compromise vascular quantification and disease diagnosis. HA2HA constructs training pairs from complementary angular subsets of beamformed radiofrequency (RF) blood flow data, allowing for the consistent preservation of vascular signals while effectively varying the noise. The framework was trained on in-vivo contrast-free data from pig kidneys and validated across multiple datasets, including both contrast-free and contrast-enhanced imaging from pig kidneys and human liver and kidney.
The results indicate a significant enhancement in image quality, with improvements exceeding 15 dB in both contrast-to-noise ratio (CNR) and SNR. Additionally, HA2HA’s denoising capabilities extend beyond power Doppler imaging to benefit downstream processes such as color Doppler imaging (CDI). The CDI results for human liver, derived from HA2HA-denoised signals, showcased enhanced microvascular flow visualization with reduced background noise. Overall, HA2HA represents a label-free, generalizable, and clinically applicable solution for robust vascular imaging, demonstrating strong performance across diverse datasets and improving the clarity of microvascular structural and functional imaging.
Introduction
In the introduction of the research paper, the authors discuss the significance of Ultrasound Microvascular Imaging (UMI) as a crucial tool for visualizing the microcirculatory system, which is essential for diagnosing and monitoring various diseases. UMI can be categorized into contrast-free and contrast-enhanced methods, with the former relying on backscattered signals from red blood cells and the latter utilizing microbubble contrast agents. The authors highlight the limitations of existing signal processing techniques, such as adaptive beamforming and advanced clutter filtering, which often involve high computational complexity and require extensive parameter tuning.
To address these challenges, the paper introduces a novel self-supervised denoising framework called Half-Angle-to-Half-Angle (HA2HA), inspired by the Noise2Noise (N2N) paradigm. HA2HA constructs training pairs from angularly compounded RF blood flow data, allowing for effective denoising without the need for clean reference images. The method was trained on in-vivo contrast-free pig kidney data and validated across various datasets, demonstrating significant improvements in contrast-to-noise ratio (CNR) and signal-to-noise ratio (SNR), exceeding 15 dB. The authors report enhanced visualization of microvascular structures and improved flow speed representation in color Doppler imaging, indicating HA2HA’s robustness and adaptability in diverse clinical scenarios.
Methods
In the methods section, the study outlines the comparative analysis of various techniques for reconstructing power Doppler images. The conventional approach utilizes full-angle coherently compounded data, applying Singular Value Decomposition (SVD) for clutter filtering. In contrast, the Adaptive Processing (AP) method leverages the incoherent characteristics of noise across different steering angles to enhance noise suppression. This method involves categorizing the steered plane wave angles into odd and even groups, which are then independently compounded and filtered using SVD. The resulting radiofrequency (RF) signals are transformed into complex-valued signals through the Hilbert transform, followed by conjugate multiplication to amplify flow components while reducing angle-incoherent noise.
Additionally, the Spatiotemporal Non-Local Means (ST-NLM) filtering technique is employed to differentiate between continuous blood flow and temporally uncorrelated noise in the spatiotemporal domain. This method is applied to the full-angle coherently compounded and SVD-filtered blood flow RF data, utilizing a similarity window size of \(11 \times 11\) (384 μm × 22 ms) and a search window that is twice the size of the similarity window in both spatial and temporal dimensions. These methodologies collectively aim to improve the accuracy and quality of Doppler imaging in the presence of noise.
Results
In this section, the results of the study demonstrate the generalizability of the HA2HA network, which was initially trained on paired in-vivo contrast-free RF data from pig kidneys. The network was subsequently evaluated on diverse datasets without any fine-tuning, including in-vivo contrast-enhanced pig kidney data, contrast-free human liver data, and human kidney data from patients with chronic kidney disease (CKD).
Furthermore, the robustness of the proposed method was assessed under varying signal-to-noise ratio (SNR) conditions by utilizing contrast-free pig kidney data collected with different data collection (DC) protocols. These evaluations highlight the network’s capability to maintain performance across different imaging scenarios and conditions, underscoring its potential applicability in clinical settings.
Discussion
The HA2HA framework is a self-supervised deep learning approach designed for denoising ultrasound blood flow radiofrequency (RF) signals, effectively enhancing ultrasound microvascular imaging (UMI) without the need for clean labels. By utilizing angular-domain redundancy, HA2HA constructs training pairs from RF data captured at different steering angles, allowing the model to learn to recover clean vascular signals amidst noise. This method operates directly on RF signals, which is advantageous for downstream applications like color Doppler imaging (CDI) that rely on the phase information of ultrasound signals. The framework demonstrates significant improvements in contrast-to-noise ratio (CNR) and signal-to-noise ratio (SNR), achieving over 15 dB gains across various datasets, including both contrast-free and contrast-enhanced conditions.
The architecture of HA2HA employs a 2D U-Net design, which effectively captures both global and fine spatial features, facilitating robust denoising. The training process leverages pairs of noisy observations, allowing the network to learn clean signal representations without explicit supervision. The loss function incorporates multiple components to ensure consistency and effective noise suppression. Notably, HA2HA exhibits strong generalizability, performing well on unseen datasets, including human liver and kidney scans, despite being trained solely on contrast-free pig kidney data. This capability is particularly beneficial for patients who cannot use contrast agents, as it enables high-quality microvascular imaging while maintaining the integrity of vascular structures. Future directions for this research include exploring enhancements in spatial resolution and extending the framework to 3D ultrasound imaging, which could further improve the quality and applicability of UMI.