🔬 physics

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

本文提出了一种全自动可微波束成形框架，该框架能有效校正颅骨引起的像差，从而显著提升啮齿类动物和非人灵长类动物经颅功能超声成像与超分辨率超声成像的分辨率、灵敏度和准确性。

原作者： Paul Xing, Antoine Malescot, Eric Martineau, Stephan Quessy, Ravi L. Rungta, Numa Dancause, Jean Provost

发布于 2026-05-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Paul Xing, Antoine Malescot, Eric Martineau, Stephan Quessy, Ravi L. Rungta, Numa Dancause, Jean Provost

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你试图透过一块厚重、波浪起伏且不平整的玻璃，拍摄一条繁忙城市街道的清晰照片。这块玻璃会扭曲图像，使建筑物看起来被拉长，汽车仿佛同时出现在两个地方，而路灯的精细细节则模糊成一团乱麻。这正是科学家试图通过头骨用超声波观察活体大脑内部时所遭遇的情况。头骨就像那块波浪起伏的玻璃，扰乱声波并破坏图像。

本文介绍了一种巧妙的新型“数字透镜”，它能自动校正这些畸变，无需切开头骨，即可生成大脑微小血管极其清晰、高分辨率的图像。

以下是研究人员如何解决问题，将其拆解为简单概念：

问题：“头骨模糊”

超声定位显微镜（ULM）是一种超强大的技术，能够追踪在血管中流动的微小气泡（微泡）。它强大到足以看清细如人类头发的血管。然而，当你试图通过头骨（在小鼠、猴子或人类身上）进行此项操作时，骨骼会弯曲声波。

结果： 图像变得模糊。单根血管可能看起来像两根独立的血管（“鬼影”图像），或者血管网络的某些部分看起来是断开的。这就像试图通过哈哈镜阅读地图。

解决方案：“自校正”相机

研究团队创建了一种名为可微波束成形的新计算机方法。你可以将其想象为一台不仅拍照，而且不断自问“这张图像清晰吗？”的相机；如果不够清晰，它会自动调整自身设置，直到图像完美。

以下是他们使用的逐步流程：

“等晕区”（网格）： 他们不是试图一次性修复整张图像，而是将大脑图像划分为一个小方格（区域）的网格。想象一下将棋盘格铺在大脑图像上。
“调节旋钮”： 对于棋盘格上的每个方格，计算机都有一个虚拟的“旋钮”，用于控制延迟声波的程度。由于头骨不平整，大脑的不同部分需要不同程度的“调节”。
“相干性测试”（裁判）： 计算机使用一种称为角相干性的指标。你可以将其想象成一个合唱团。如果每个人在同一时刻唱出完全相同的音符，声音就会有力且清晰（高相干性）。如果他们稍微不同步，声音就会浑浊。头骨使声波“不同步”。计算机的目标是调节这些旋钮，直到所有声波再次完美和谐地“合唱”。
“自动调音”循环： 计算机利用一种数学技巧（梯度上升）自动微调这些旋钮。它检查“合唱团”，发现他们走调，调整旋钮，再次检查，并在几秒钟内重复此过程数千次，直到图像完美聚焦。

他们的发现

研究人员在小鼠和非人灵长类动物（猕猴） 身上测试了这种方法。

更清晰的图像： 在修复之前，血管看起来模糊或重复。修复后，血管变成了清晰、单一的线条。事实上，分辨率显著提高，使他们能够看到以前不可见或断裂的血管。
修复“鬼影”血管： 他们成功消除了单根血管看起来像两根的“鬼影”图像。校正后的图像显示了血流真实、连续的路径。
更好的血流数据： 由于图像更清晰，他们能够更准确地测量血流速度。在修复之前，血流看起来混乱且湍急（像一条暴风雨中的河流）。修复之后，它看起来平滑且层流（像一条平静的河流），这才是健康大脑中血液实际流动的方式。
功能成像： 他们还利用这种方法研究大脑活动。当他们刺激小鼠的胡须时，校正后的图像在大脑中负责感知该触觉的区域（包括以前被头骨畸变隐藏的深度区域）显示出更清晰、更强的信号。
3D 成功： 他们甚至成功在猕猴身上实现了 3D 校正，同时校正了深度和左右方向的畸变，证明该方法适用于复杂、现实世界的大脑形状。

为何这很重要（根据论文所述）

论文声称这是一个重大突破，因为它是全自动的。你不需要特殊的导星（如特定类型的气泡）或头骨的预扫描即可使其发挥作用。它适用于来自小鼠和猴子的标准数据。

通过消除“头骨模糊”，这项技术降低了一大障碍。这意味着科学家终于可以在无需在头骨上钻孔的情况下，获得大脑血流和功能的超高清、超分辨率图谱，从而能够以更自然、非侵入性的方式跨物种研究大脑。

技术摘要：经颅功能超声与超分辨率超声成像的自动像差校正

问题陈述
经颅超声定位显微镜（ULM）和功能超声（fUS）为实现脑微血管和血流动力学的非侵入性、超分辨率可视化提供了潜力。然而，颅骨引入了显著的声学像差，导致图像质量下降。这些像差降低了微泡检测灵敏度，降低了对比度和分辨率，并导致关键伪影，如血管重复、血管不连续以及流速估计偏差。尽管既往存在校正方法，但它们通常依赖特定的导星（孤立微泡），需要大量数据集（例如全合成孔径），仅限于较大血管，或需要侵入性颅窗。此外，深度学习方法往往难以在不同实验设置间泛化，除非进行大量重新训练。

方法论
作者提出了一种可微波束形成框架，用于自动、闭环的像差校正，无需先验训练或独立的校准数据集。核心方法论包括：

可微波束形成：系统使用 PyTorch 实现，将超声波束形成过程视为可微计算图。这使得能够自动计算关于像差参数的梯度。
空间分布参数化：不同于假设均匀相位屏，颅骨引起的像差被建模为空间分布函数。该函数由覆盖视场的多个等晕区（初始设定为 $8\lambda \times 8\lambda$ ）的参数化表示。这些区域值通过三次插值进行上采样，以提供连续、逐像素的相位校正剖面。
目标函数（角度相干性）：优化目标是最大化超声信号的角度相干性。系统从不同发射角度的波束形成图像中计算角度协方差矩阵（ $C_\theta$ ）。该矩阵的第一个奇异值（ $\sigma_1$ ）作为目标函数，代表平面波之间的相干水平。
梯度上升优化：利用自动微分，系统通过梯度上升迭代更新等晕区的相位延迟，以最大化 $\sigma_1$ 。该过程包含 L1 和拉普拉斯正则化，以确保平滑解并防止过拟合。
适用性：该框架在奇异值分解（SVD）杂波滤波后的原始通道数据上运行。它在存在或不存在微泡的情况下均能有效工作，并适用于 2D 和 3D 成像配置。

主要贡献

可泛化的校正：一种全自动解决方案，无需导星、特定训练数据或大量合成孔径采集即可校正像差。
闭环优化：一种物理信息驱动的方法，通过直接最大化信号相干性来优化聚焦，可适应各种发射方案（平面波、发散波）。
扩展至 3D：成功将该方法适配于使用矩阵阵列的 3D 经颅 ULM，利用有限的发射角度捕捉像差的横向和深度变化。

结果
该框架在啮齿类动物（小鼠）和非人灵长类动物（NHPs，猕猴）体内进行了验证：

小鼠成像（2D）：
- 多普勒与对比增强超声（CEUS）：像差校正提高了年轻（2-3 个月）和老年（6-7 个月）小鼠在有或无微泡情况下的对比噪声比（CNR）和信噪比（SNR）。血管宽度显著减小（例如，年轻小鼠从 $202.4 \pm 50.2$ µm 降至 $162.6 \pm 27.8$ µm），表明分辨率提高。
- ULM：年轻小鼠的分辨率从 $23.8 \pm 5.4$ µm 提高到 $18.4 \pm 3.0$ µm。检测到的微泡轨迹数量显著增加，先前不连续或重复的血管被正确连接。
- 血流动力学：校正恢复了生理性抛物线流型，并减少了虚假流速估计。平均轨迹速度降低（表明对更小血管的重建更好），轨迹长度增加，从而允许更可靠的血流动力学定量。
- 功能超声（fUS）：在胡须刺激实验中，校正揭示了先前被遮挡的丘脑腹后内侧核（VPM）的激活，并增加了血流动力学响应的幅度。
非人灵长类动物成像（2D 与 3D）：
- 2D：使用 2.5 MHz 相控阵，该方法消除了 Willis 环周围的血管重复，并改善了豆纹动脉的连接性。分辨率从 177 µm 提高到 162 µm。
- 3D：使用 3 MHz 复用矩阵阵列，该方法校正了 3D ULM 中的主要伪影（血管重复）。分辨率从 110.2 µm 提高到 93.6 µm。系统仅使用 5 个发射角度即实现了这一目标，证明了其高效性。

意义与主张
作者指出，这项工作通过提供一种可泛化的、全自动的像差校正解决方案，降低了经颅超声成像的主要技术障碍。主要主张包括：

该方法实现了跨物种（从啮齿类到非人灵长类）和不同成像深度的稳健超分辨率及功能神经成像。
通过校正像差，该方法允许进行可靠的血流动力学定量，并恢复原本被颅骨扭曲的生理血流动力学。
该技术对临床转化尤为前景广阔，因为猕猴颅骨厚度与人类颞骨相当，表明该方法有望促进人类非侵入性 fUS 和 ULM 的应用，而无需颅窗或导星。
该框架代表了迈向高分辨率、非侵入性脑结构与功能成像的一步，可能有助于脑血管疾病的诊断和神经血管耦合的研究。

问题：“头骨模糊”

解决方案：“自校正”相机

他们的发现

为何这很重要（根据论文所述）

类似论文