基于扩散模型的超声计算机断层成像实现肌肉骨骼组织高保真三维重建文献速递/基于多模态的医学影像分割与理解

2026.7.10

本文提出DiffUCT，用注意力增强RF到声速初估与条件扩散细化，实现肌肉骨骼超声CT的快速高保真三维重建。

Title题目

01

基于扩散模型的超声计算机断层成像实现肌肉骨骼组织高保真三维重建

High-fidelity three-dimensional reconstruction of musculoskeletal tissues via diffusion based ultrasonic computed tomography

文献速递介绍

02

论文首先指出，超声成像具有无创、实时、低成本等优势，但传统B-mode超声相较CT和MRI在空间分辨率、组织对比度和视野方面仍有明显不足，并且容易受到散斑噪声和声学伪影影响。FWI将超声成像表述为基于完整波动方程的反问题，可以利用散射、衍射等复杂波传播信息恢复声速等声学参数，因此在乳腺、脑和肢体肌肉骨骼成像中具有潜力。然而FWI的非凸优化高度依赖初始模型，容易陷入局部极小或出现cycle-skipping，同时每个截面往往需要数十分钟量级的迭代计算。已有深度学习方法能直接从RF信号预测声速图，加快重建速度，但常用CNN和PSNR导向损失容易产生过平滑结果，丢失血管、皮肤边界、骨小梁等高频细节。基于扩散模型在医学图像生成与重建中的细节保真能力，作者提出DiffUCT：用AttUCT作为RF信号到声速图的中间桥梁，缓解RF时域信号与空间声速分布之间的域差异，再以条件扩散过程对初始结果进行逐步细化。本文主要贡献包括提出扩散式超声CT框架、设计注意力增强的初始重建网络、采用10步DPM-Solver++加速采样、提出联合训练与混合损失、并展示肌肉骨骼组织的三维可视化能力。

Aastract摘要

03

传统B-mode超声在肌肉骨骼成像中受限于分辨率、对比度和视野，FWI虽能利用完整波动信息提升参数成像质量，却存在病态、依赖初值和迭代耗时长等问题。本文提出基于扩散模型的超声计算机断层成像框架DiffUCT，先由注意力增强网络AttUCT将RF信号映射为初始声速图，再用条件扩散模型逐步去噪细化组织结构。作者在10名健康受试者下肢数据及外部MORE数据上验证，DiffUCT在测试集达到PSNR 37.78 dB、SSIM 0.9734、LPIPS 0.0097，并以10步DPM-Solver++采样实现0.126秒每层的重建速度。结果显示该方法显著优于DAS、FWI、MFWI及多种深度学习基线，可重建皮肤、肌肉、脂肪、骨骼和血管等结构，并支持高质量三维体渲染和任意截面观察。

Method方法

04

方法部分先回顾FWI理论。FWI基于声波方程，将待重建的声速分布c作为介质参数，通过正演算子生成模拟压力场，再最小化模拟信号与观测RF信号之间的差异，并加入正则项。其核心困难是非线性病态优化、计算代价高和对初值敏感，尤其在软组织与骨组织声阻抗差异较大时更易出现错误收敛。随后论文介绍DDPM扩散模型的基本原理：前向过程逐步向真实图像加入高斯噪声，反向过程学习逐步去噪，从随机噪声恢复目标分布。DiffUCT的核心网络是两阶段结构。第一阶段AttUCT接收尺寸为128×4096×128的RF数据，经过Step模块沿时间轴层级降维，再通过带注意力门和瓶颈自注意力的UNet提取多尺度特征，最后由Expand模块上采样生成512×512的初始声速图。注意力门用于在跳跃连接中筛选解剖相关特征，自注意力用于捕获全局上下文。第二阶段是条件扩散细化模型，它不直接以RF信号作为条件，而是以AttUCT输出的初始声速图作为条件输入，在UNet去噪网络中与噪声特征融合，逐步恢复最终高质量声速图。训练上，AttUCT使用预测声速图与真值之间的L2损失；扩散阶段使用噪声预测损失加权AttUCT重建损失的混合目标，权重λ设为0.8。作者认为该混合损失既约束全局声速结构，又促进细节恢复，避免扩散模型发生结构漂移。推理阶段采用DPM-Solver++加速采样，将训练中的100步扩散过程压缩为10步采样，在尽量保持质量的同时显著降低重建时间。

实验设置与数据

实验使用10名20至30岁健康受试者的下肢CT数据，经伦理审批后采集。每名受试者提取100个横断面，共1000个截面。作者根据文献中的线性关系SoS等于0.82乘以HU再加1580，将CT Hounsfield单位转换为声速真值图，声速范围约为1400至2900 m/s，覆盖脂肪、软组织和皮质骨等主要组织。随后使用128阵元、直径200 mm的环形换能器进行数值仿真，中心频率0.5 MHz，采样率20 MHz，每通道4096个采样点，按单阵元依次发射、全阵元接收的协议生成RF信号。数据按受试者独立方式划分为训练集800例、验证集100例、测试集100例。训练采用PyTorch 2.1.0和NVIDIA A100 GPU，扩散过程设为100步，余弦噪声调度，Adam优化器，学习率2×10⁻⁴，batch size为4，总训练50万次迭代。为考察跨数据集泛化，作者还使用公开MORE数据集的下肢子集221张CT横断面，按相同HU到声速转换和相同仿真协议生成外部测试数据，并进行零样本验证。

与B-mode超声和FWI的比较

作者将DiffUCT与传统DAS波束形成的B-mode超声、直接全频FWI和多频渐进MFWI进行比较。视觉结果表明，DAS主要显示软组织与骨之间的强界面，难以恢复内部结构；直接FWI受cycle-skipping影响明显，只能捕获外部形态，内部细节缺失；MFWI通过逐步引入频率改善软组织区域表现，但在骨密集区域仍有明显伪影。DiffUCT则能更接近真值地重建皮肤、肌肉、脂肪、骨骼和血管等结构。定量上，DiffUCT在测试集达到PSNR 37.78 dB、SSIM 0.9734、LPIPS 0.0097，明显优于MFWI的PSNR 24.91 dB、SSIM 0.6977、LPIPS 0.3392。速度方面，DAS、FWI、MFWI分别耗时21.235秒、63.562秒和493.281秒每层，而DiffUCT仅需0.126秒每层，相比MFWI约快4000倍。这说明DiffUCT同时解决了传统FWI质量与速度难以兼得的问题。

与深度学习方法的比较

论文进一步将DiffUCT与AutoSoS、DEFE-UNet、DeepUCT、ViT等深度学习重建方法比较，并单独评估AttUCT。结果显示，传统深度学习模型虽然能较快预测声速图，但在血管、骨内部结构和皮肤薄层等细节处普遍过平滑。AttUCT凭借注意力增强结构在血管轮廓和骨内部结构上优于常规网络，但仍无法充分恢复极薄皮肤边界。DiffUCT通过扩散细化显著提升局部拓扑完整性和组织界面锐利度，在血管区、骨区和皮肤层的放大图中最接近真值。横截面曲线分析也表明，DiffUCT能更准确拟合血管和皮肤的声速剖面，而其他方法要么无法解析血管形态，要么在皮肤边界处出现明显偏差。测试集定量结果中，DiffUCT的PSNR、SSIM和LPIPS均最佳；AttUCT为第二梯队，说明扩散阶段确实带来额外增益。误差图进一步显示，DiffUCT相较AttUCT在皮肤边界、肌肉界面和血管区域的绝对误差明显降低，说明性能提升不只是视觉纹理增强，而是声速参数精度的真实改善。

扩散模型设计与消融实验

为验证扩散设计，作者将条件DDPM形式的DiffUCT与BBDM、Cold Diffusion、EGSDE等图像到图像扩散模型进行比较。所有扩散模型都能取得较好结果，但DiffUCT在PSNR 37.78 dB、SSIM 0.9734、LPIPS 0.0097上整体最优。Cold Diffusion的PSNR接近，但LPIPS较差，说明其模糊退化算子不如噪声建模适合超声CT声速重建。AttUCT消融实验显示，注意力门比瓶颈自注意力对性能提升更显著，二者同时使用时效果最佳，验证了在跳跃连接中筛选解剖相关特征和在瓶颈层建模全局依赖的必要性。扩散步数优化实验考察10至2000步，发现PSNR和SSIM从10步增加到100步时逐步改善，超过100步后反而下降，LPIPS在500步附近达到较好值但高步数会增加耗时并可能导致过细化或误差累积。因此训练扩散步数选为100步。采样策略比较显示，10步DPM-Solver++在验证集上达到PSNR 38.42 dB、SSIM 0.9767，略优于100步DDPM，同时将每层时间从1.135秒降至0.126秒；过低采样步数如2或3步会导致崩溃。训练策略上，联合训练优于先预训练AttUCT再微调的顺序训练，原因是顺序训练中的PSNR导向预训练会形成过平滑初始结果，而联合训练能保留更多细节供扩散阶段进一步强化。

三维可视化与外部泛化

由于DiffUCT单层重建速度快、背景伪影少，作者将其用于连续200个下肢截面的逐层重建，总耗时约25.2秒，并用3D Slicer进行三维体渲染。通过设置不同声速阈值，DiffUCT可分别突出骨骼、肌肉和脂肪分布，其三维形态与X-Ray CT参考渲染具有较强一致性。进一步的任意截面分析显示，模型可在股骨和膝关节区域提供轴位、冠状位和矢状位视图，有利于临床从不同角度观察感兴趣区域。外部MORE数据集零样本测试中，DiffUCT取得PSNR 29.61 dB、SSIM 0.917、LPIPS 0.062。相比同域测试性能有所下降，表现为背景散斑、局部高声速簇状伪影和薄层高对比结构轻微模糊，可能来自肢体尺寸、截面形状和数据分布差异。但大尺度肌肉和脂肪结构仍被较好恢复，说明模型具备一定跨数据集泛化能力。

Discussion讨论

05

讨论部分强调，DiffUCT的优势来自四个关键设计：两阶段架构将复杂反问题分解为RF到声速的初估和扩散细化；100步扩散设置在质量与效率间取得平衡；联合训练避免PSNR预训练带来的过平滑；混合损失同时约束全局声速结构和局部细节。作者还解释了低频0.5 MHz超声的选择。肌肉骨骼成像需要穿透较深组织，常规高频超声虽分辨率高但衰减强；而在FWI类参数成像中，低频成分有助于恢复宏观结构和避免cycle-skipping，因此适合下肢肌肉骨骼超声CT。传统DAS在这种低频、稀疏阵元条件下图像质量较差，也正说明需要更先进的波动或学习式反演方法。局限方面，当前验证主要限于下肢健康数据，1400至2900 m/s的声速范围未必覆盖更致密骨组织和更复杂病变；方法依赖监督训练所需的准确声速真值，而临床真实声速图难以获得；训练数据主要来自数值仿真，向真实系统迁移时可能存在sim-to-real差距，包括电子噪声、环境干扰、换能器建模误差、耦合介质变化以及未建模的声吸收等。作者建议未来构建更大更丰富的多部位病理数据库，探索半监督或无监督策略，并结合物理先验增强、域适应来提高临床鲁棒性。

Conclusion结论

06

论文总结认为，DiffUCT是一种面向肌肉骨骼组织超声CT的高保真快速参数重建框架。它将注意力增强特征提取与条件扩散细化结合，在测试集上取得PSNR 37.78 dB、SSIM 0.9734、LPIPS 0.0097，并在10步DPM-Solver++采样下实现0.126秒每层的推理速度。与DAS、FWI、MFWI和现有深度学习方法相比，DiffUCT在图像质量、细节保留和计算效率上均有显著优势。其快速逐层重建能力支持三维体渲染和任意截面观察，有望为肌肉骨骼结构评估、术前规划和临床导航提供新的安全、低成本成像方案。未来工作将集中在扩大验证数据、减少对精确真值标签的依赖，以及提升真实临床场景下的泛化能力。

Figure图

07

图1.

该图概括了DiffUCT从环形阵列采集超声信号到输出声速图的整体流程。系统先获得RF数据，经AttUCT生成初始声速条件，再由扩散模型进行N步迭代细化，最终预测肌肉骨骼截面的SoS分布。它说明本文不是直接用扩散模型处理原始RF信号，而是通过AttUCT建立中间声速表示以缓解域差异。

图2.

该图展示DiffUCT的核心机制：数据流程将声速图归一化与预处理，扩散流程在前向阶段加噪，在反向阶段通过Denoising UNet逐步去噪；条件模块由RF数据经AttUCT产生初始声速图cinit，并作为反向扩散的引导。该图强调了条件扩散模型负责细节增强和结构修复，是本文方法区别于普通CNN回归的关键。

图3.

该图给出AttUCT的网络细节，包括用于时间维压缩的Step模块、带跳跃连接的UNet模块和恢复空间分辨率的Expand模块。下方展示注意力门和自注意力的实现方式：注意力门用于筛选跳跃连接中的有效解剖特征，自注意力用于捕获全局依赖。消融实验也证明两者共同使用可提升初始重建质量。

图4.

该图直观比较传统DAS、直接FWI、多频MFWI、DiffUCT和真值。DAS主要呈现强界面且噪声重，FWI出现明显局部极小和伪影，MFWI改善软组织但在骨区仍不稳定；DiffUCT在软组织、骨结构和整体轮廓上最接近真值。该图支撑了DiffUCT在质量上超过传统波束形成和波动反演方法的主要结论。

图5：

该图在血管、骨区域和皮肤层三个关键局部结构上比较AutoSoS、DEFE-UNet、DeepUCT、ViT、AttUCT、DiffUCT和真值。常规深度学习方法普遍过平滑并丢失细小结构，AttUCT有所改善但仍有限，DiffUCT能更清晰地恢复血管轮廓、骨内结构和薄皮肤边界。它体现扩散细化对高频解剖细节的贡献。

图6：

该图展示AttUCT和DiffUCT相对真值的绝对误差图，颜色范围为0至50 m/s。DiffUCT在皮肤边界、肌肉界面和血管区域的误差显著降低，说明扩散阶段不仅改善视觉外观，也提升了声速参数的定量准确性。该图对论文关于真实结构恢复而非生成伪纹理的论点很关键。

图7.

该图统计不同扩散步数下的PSNR、SSIM、LPIPS和推理时间。结果显示图像质量从10步到100步逐步提升，过多步数后PSNR和SSIM下降，而推理时间近似线性增加。该图支持作者选择100步作为训练扩散过程的合理配置，并说明扩散步数并非越多越好。

图8.

该图比较顺序训练和联合训练下AttUCT与DiffUCT的重建结果。顺序训练因预训练阶段偏向PSNR而产生更平滑的初始结果，后续扩散也继承细节不足；联合训练虽然初始结构连续性略有变化，但保留更多组织纹理，使最终DiffUCT在细节和结构一致性上更接近真值。

图9.

该图展示DiffUCT在不同声速阈值下的三维渲染，并与X-Ray CT参考结果比较。较高阈值突出骨骼结构，较低阈值可显示肌肉组织，不设下限则呈现脂肪等更广泛组织分布。该图说明DiffUCT不仅能做二维截面重建，还能支持类似CT的三维肌肉骨骼可视化。

图10.

该图展示基于DiffUCT体数据对股骨和膝关节区域进行三平面观察，包括轴位、冠状位和矢状位视图。结果表明，逐层重建后的三维体数据可被任意切片分析，有助于临床从最佳角度检查局部解剖结构。

图11.

该图比较DiffUCT在外部MORE下肢数据上的预测声速图与真值。虽然存在背景伪影和边界轻微模糊，主要肌肉、脂肪和骨结构仍被较好保留，说明模型在零样本跨数据集条件下具备一定泛化能力，但也暴露出域偏移下精细结构恢复仍需改进。