在 RSNA 2021 ，有專門的超聲波成像跟蹤，這是一種經濟高效的方法，可以在不暴露于輻射或不需要注射和手術的情況下觀察患者體內的情況。

超聲成像通常由訓練有素的超聲學家完成，需要特殊的專業知識來解釋。探頭是一個小型傳感器，既可以將聲波傳輸到人體內，也可以記錄回響的聲波。它被放置在皮膚上，當它移動時，波從你的血細胞、器官和其他身體部位反彈，然后回到設備。然后，計算機將所有的聲波轉換成運動圖像，你可以在屏幕上看到它們。

加拿大滑鐵盧大學的 LITMUS 組（醫學超聲創新技術實驗室）正在努力使超聲彩色多普勒成像（ CDI ）更容易可視化。他們使用了 NVIDIA Clara 全息掃描平臺，包括 NVIDIA Clara AGX 開發工具包 和 NVIDIA Clara 全息掃描 SDK，以及前端 us4us ，以消除混疊瑕疵并將幀速率提高 12 倍 – 從 2 fps 增加到 30 fps 。

Clara Holoscan 是一個 AI 平臺，具有強大的深度學習計算能力，能夠以高幀速率運行模型。 Clara Holoscan SDK 旨在幫助創建人工智能管道，用于處理超聲、視頻和其他成像應用的實時醫療數據流。

Clara AGX 開發工具包結合了由 NVIDIA AGX Xavier SoC 控制的 NVIDIA RTX 6000 GPU 的電源，外部連接由兩個 PCIe Gen4 x 8 插槽和一個帶有 100 GbE 端口的 NVIDIA ConnectX-6 SmartNIC 提供。

圖 1 Clara AGX 開發工具包和 us4us 前端上抗混疊 CDI 管道概述。

彩色多普勒成像

彩色多普勒成像（ CDI ）是一種觀察動脈和靜脈血流的無創方法。它被用來識別可能導致致命臨床后果（如中風或心臟病發作）的動脈阻塞、血凝塊或狹窄。這些阻塞可發生在身體的各種動脈中，并顯著改變血液流動的特性。 CDI 可以捕獲流量變化，并用于疾病狀況的識別和監測。 CDI 也可用于檢測動脈瘤，在動脈瘤中，腫脹的動脈壁也會影響血流。

圖 2 顯示了從頸動脈模型獲得的典型 CDI 序列，其中血流從圖像左側進入，然后分支到上下分支。動脈中的流速以藍色或紅色陰影顯示，這取決于其相對于探頭的方向。周圍的灰度圖像顯示了組織結構。 CDI 序列還顯示了血流動力學在整個心動周期（通常不到一秒鐘）中的變化。

圖 2 動脈分叉模型上的典型 CDI 序列

CDI 中的混疊問題

CDI 中一個反復出現的問題是存在所謂的阻礙血流可視化的 aliasing artifacts 。當血流超過 CDI 系統可測量的最大流速時，會出現混疊偽影。

例如，圖 3 顯示，上支路中的流速很快 ，超過了色標上的最大可測量流速（ 25 cm / s ）。因此，為該區域選擇的顏色是從色標的另一端拾取的，并錯誤地指示流向相反的方向。最大可測量速度源于潛在的系統限制和成像考慮 。

混疊在彎曲的脈管系統（如分叉）和遇到大范圍多向速度的情況下是最有問題的。在這種情況下， CDI 可能變得難以解釋。

圖 3 有混疊偽影的動脈分叉模型上的 CDI 序列

新的基于深度學習的解決方案

LITMUS 小組設計了一種新的基于深度學習的解決方案，以解決 CDI 中股動脈分叉的這些混疊偽影。選擇大腿股動脈分叉是因為其不同的流動特性，包括廣泛的流動速度和多向流動。在外周動脈疾病的情況下，動脈可能是阻塞的部位，即使在健康的情況下，分叉處也容易出現混疊。

圖 4 CDI 消除混疊管道概述

為了解決 CDI 中的混疊問題， LITMUS 小組設計了一個兩步流程：

使用卷積神經網絡（ CNN ）模型分割 CDI 中的混疊偽影。

分段的鋸齒偽影隨后通過自適應技術去除。

對于混疊分割，訓練 U-Net CNN ，以使用通常在典型 CDI 管道中計算的多個相關超聲特征檢測混疊偽影，這些特征可以包含與混疊檢測相關的特征。該網絡在 1136 幀上進行訓練，這些幀來自使用 us4us 超聲前端采集的三個真實股動脈分叉。 CDI 中的混疊工件被手動標記以用于培訓和驗證。模型定義和訓練在 TensorFlow 中完成。

然后通過自適應相位展開算法利用分割圖，該算法根據流動連續性標準反轉混疊偽影，從而實現平滑的無混疊流動輪廓。然后，在一次新采集的未觀察到的股動脈分叉采集中對該框架進行了評估，結果表明該框架可處理多向和過度混疊。

該框架的計算要求很高，對于簡單的消除混疊，每幀需要 500 毫秒以上，對于過度混疊的情況，甚至更慢。

Clara Holoscan 用于床邊應用中的實時消除混疊

CDI 被廣泛認為是一種護理點模式，可用于快速、即時地了解患者的血流狀況。脫機處理會破壞 CDI 的這一功能，因此實時運行別名消除框架非常重要。

英偉達和 LITMUS 組合作加速去混疊框架，以實現在床邊應用中使用 NVIDIA Clara HORSOCAN SDK 和英偉達 Clara AGX 開發者工具包的實時性能。

GPU 加速 CDI 平臺在英偉達 Clara AGX 開發者工具包上使用了由 LITMUS 先前報告的基于 CUDA 的框架實現。有關更多信息，請參閱 活體超聲彩色編碼散斑成像實時復雜流動可視化平臺 。

原始傳感器數據被連續復制到英偉達 RTX 6000 GPU 中 Clara AGX開發工具包，其中定制的CUDA構建內核執行必要的圖像形成處理。使用 API-ZDU-TENSRAIN 算法庫對相位展開進行了加速，并使用CUK1-ZDU-Net算法對相位展開進行了加速。進一步的 CUDA 和OpenGL函數用于顯示。結果是在 Clara AGX開發工具包上運行了一個完整的原始傳感器數據到消除混疊CDI包，該包顯示了實時性能。

圖 5 顯示了 Clara AGX 開發者工具包上的抗混疊 CDI 框架，該框架在實時模式下處理股骨分叉模型到抗混疊 CDI 的原始傳感器數據。原始數據是使用 us4us 前端獲取的，該前端使研究人員能夠訪問從探頭到達的所有基本信號：

圖 5 Clara AGX 開發工具包上抗混疊 CDI 平臺的屏幕截圖

Left： 使用常規處理管道獲得混疊 CDI 序列。在收縮期（心動周期的峰值，凍結幀），血流正在遠離探頭，并且都應該是藍色的。然而，在底部支管中，探頭方向的流速超過了最大可測量流速，因此顯示為紅色/橙色陰影區域，錯誤地表明流速正在上升。

Middle： 在實時成像會話期間，通過集成 U-Net 模型獲得混疊分割。您可以看到如何在現場正確捕獲脈動幀中的鋸齒偽影。

Right： CDI 序列消除了混疊。最大可測量速度增加，血流可視化更直觀。

消除混疊模塊的處理時間提高到 30 fps ，比之前的 2-2.5 fps 提高了 12 倍。在此基礎上， CuPy 被用來制作原型，并獲得快速的 GPU 加速度，提供中等~ 15 fps 的速度。

結論

英偉達集團的工作流程表明，英偉達 Clara AGX 開發工具包和 NVIDIA Clara HORSOCAN SDK 可以實時解決 CDI 中的混疊偽影。通過消除血流方向的模糊性，消除混疊使圖像可視化和解釋更加容易。這對彎曲的脈管系統產生了最大的影響，因為超聲醫生很難猜到血流方向。

關于作者

Vanessa Braunstein 在 NVIDIA 的醫療團隊從事產品營銷工作。此前，她在基因組學、醫學成像、制藥、化學和診斷公司從事產品開發和營銷。她學習分子和細胞生物學、公共衛生和商業。

審核編輯：郭婷