Automatic Aberration Correction for Transcranial Functional and Super-Resolution Ultrasound Imaging in Rodents and Nonhuman Primates

Sintesi Tecnica: Correzione Automatica delle Aberrazioni per l'Imaging Funzionale e a Super-Risoluzione con Ultrasuoni Transcranici

Enunciato del Problema
La microscopia di localizzazione con ultrasuoni transcranici (ULM) e gli ultrasuoni funzionali (fUS) offrono il potenziale per una visualizzazione non invasiva a super-risoluzione della microvascolarizzazione cerebrale e dell'emodinamica. Tuttavia, il cranio introduce significative aberrazioni acustiche che degradano la qualità dell'immagine. Queste aberrazioni riducono la sensibilità di rilevamento delle microbolle, abbassano il contrasto e la risoluzione e causano artefatti critici come la duplicazione dei vasi, vasi disconnessi e stime di velocità distorte. Sebbene esistano metodi di correzione precedenti, questi spesso si basano su "stelle guida" specifiche (microbolle isolate), richiedono dataset estesi (ad esempio, apertura sintetica completa), sono limitati a vasi di maggiori dimensioni o necessitano di finestre craniche invasive. Inoltre, gli approcci basati sul deep learning spesso faticano a generalizzare tra diversi contesti sperimentali senza un addestramento estensivo.

Metodologia
Gli autori propongono un framework di beamforming differenziabile per una correzione automatica delle aberrazioni in ciclo chiuso, che non richiede addestramento preliminare né un dataset di calibrazione separato. La metodologia di base comprende:

1. Beamforming Differenziabile: Implementato utilizzando PyTorch, il sistema tratta il processo di beamforming degli ultrasuoni come un grafo computazionale differenziabile. Ciò consente il calcolo automatico dei gradienti rispetto ai parametri delle aberrazioni.
2. Parametrizzazione Spazialmente Distribuita: Invece di assumere uno schermo di fase uniforme, l'aberrazione indotta dal cranio è modellata come una funzione spazialmente distribuita. Questa funzione è parametrizzata da multiple patch isoplanatiche (inizialmente impostate a $8\lambda \times 8\lambda$) che coprono il campo visivo. I valori di queste patch vengono campionati a frequenza superiore tramite interpolazione cubica per fornire un profilo di correzione di fase continuo e pixel per pixel.
3. Funzione Obiettivo (Coerenza Angolare): L'obiettivo dell'ottimizzazione è massimizzare la coerenza angolare del segnale ultrasonoro. Il sistema calcola la matrice di covarianza angolare ($C_\theta$) dalle immagini beamformate di diversi angoli di trasmissione. Il primo valore singolare ($\sigma_1$) di questa matrice funge da funzione obiettivo, rappresentando il livello di coerenza tra le onde piane.
4. Ottimizzazione con Ascesa del Gradiente: Utilizzando la differenziazione automatica, il sistema aggiorna iterativamente i ritardi di fase delle patch isoplanatiche tramite ascesa del gradiente per massimizzare $\sigma_1$. Il processo include regolarizzazione L1 e Laplaciana per garantire soluzioni lisce e prevenire l'overfitting.
5. Applicabilità: Il framework opera sui dati grezzi dei canali dopo il filtraggio del clutter tramite decomposizione ai valori singolari (SVD). Funziona efficacemente in presenza o assenza di microbolle ed è applicabile sia a configurazioni di imaging 2D che 3D.

Contributi Chiave

• Correzione Generalizzabile: Una soluzione completamente automatizzata che corregge le aberrazioni senza necessità di stelle guida, dati di addestramento specifici o acquisizioni estese di apertura sintetica.
• Ottimizzazione in Ciclo Chiuso: Un approccio informato dalla fisica che ottimizza la focalizzazione massimizzando direttamente la coerenza del segnale, adattabile a vari schemi di emissione (onde piane, onde divergenti).
• Estensione al 3D: Adattamento riuscito del metodo all'ULM transcranica 3D utilizzando un array a matrice, catturando sia le variazioni laterali che quelle di profondità dell'aberrazione con un set limitato di angoli di trasmissione.

Risultati
Il framework è stato validato in vivo su roditori (topi) e primati non umani (NHP, macachi):

• Imaging su Topo (2D):

  • Doppler & CEUS: La correzione delle aberrazioni ha migliorato il rapporto segnale-rumore (SNR) e il rapporto contrasto-rumore (CNR) sia nei topi giovani (2-3 mesi) che in quelli più anziani (6-7 mesi), con e senza microbolle. Le larghezze dei vasi sono state significativamente ridotte (ad esempio, da $202.4 \pm 50.2$ µm a $162.6 \pm 27.8$ µm nei topi giovani), indicando un miglioramento della risoluzione.
  • ULM: La risoluzione è migliorata da $23.8 \pm 5.4$ µm a $18.4 \pm 3.0$ µm nei topi giovani. Il numero di tracce di microbolle rilevate è aumentato significativamente e vasi precedentemente disgiunti o duplicati sono stati correttamente collegati.
  • Emodinamica: La correzione ha recuperato i profili di flusso parabolici fisiologici e ridotto le stime di velocità spurie. Le velocità medie delle tracce sono diminuite (indicando una migliore ricostruzione dei vasi più piccoli) e la lunghezza delle tracce è aumentata, permettendo una quantificazione emodinamica più affidabile.
  • Ultrasuoni Funzionali (fUS): Negli esperimenti di stimolazione delle vibrisse, la correzione ha rivelato l'attivazione nel nucleo ventrale posteromediale (VPM) del talamo, precedentemente oscurata, e ha aumentato l'ampiezza della risposta emodinamica.

• Imaging su Primati Non Umani (2D & 3D):

  • 2D: Utilizzando un array in fase a 2.5 MHz, il metodo ha rimosso le duplicazioni dei vasi intorno al Circolo di Willis e migliorato la connettività delle arterie lenticolostriate. La risoluzione è migliorata da 177 µm a 162 µm.
  • 3D: Utilizzando un array a matrice multiplexato a 3 MHz, il metodo ha corretto i principali artefatti (duplicazioni dei vasi) nell'ULM 3D. La risoluzione è migliorata da 110.2 µm a 93.6 µm. Il sistema ha raggiunto questo risultato utilizzando solo 5 angoli di trasmissione, dimostrando efficienza.

Significato e Affermazioni
Gli autori affermano che questo lavoro abbassa una barriera tecnica significativa per l'imaging con ultrasuoni transcranici fornendo una soluzione generalizzabile e completamente automatizzata per la correzione delle aberrazioni. Le affermazioni chiave includono:

• Il metodo consente una neuroimaging funzionale e a super-risoluzione robusta tra diverse specie (dai roditori ai primati non umani) e profondità di imaging.
• Correggendo le aberrazioni, l'approccio permette una quantificazione emodinamica affidabile e il recupero della dinamica del flusso fisiologico che altrimenti verrebbe distorta dal cranio.
• La tecnica è particolarmente promettente per la traduzione clinica, poiché lo spessore del cranio del macaco è paragonabile a quello dell'osso temporale umano, suggerendo che il metodo potrebbe facilitare fUS e ULM non invasivi nell'uomo senza la necessità di finestre craniche o stelle guida.
• Il framework rappresenta un passo verso l'imaging ad alta risoluzione, non invasivo, della struttura e della funzione cerebrale, potenzialmente utile nella diagnosi di malattie cerebrovascolari e nello studio dell'accoppiamento neurovascolare.