ASBA: A-line State Space Model and B-line Attention for Sparse Optical Doppler Tomography Reconstruction

📄 arXiv: 2601.14165v1 📥 PDF

作者: Zhenghong Li, Wensheng Cheng, Congwu Du, Yingtian Pan, Zhaozheng Yin, Haibin Ling

分类: cs.CV

发布日期: 2026-01-20

备注: 17 pages, 11 figures

💡 一句话要点

提出ASBA网络，利用A线状态空间模型和B线注意力机制，实现稀疏光多普勒断层扫描重建。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 光多普勒断层扫描 稀疏采样 图像重建 状态空间模型 注意力机制 血流分析 深度学习

📋 核心要点

  1. 现有ODT重建方法依赖密集采样，导致扫描时间长、存储需求高，限制了快速血流动力学的捕捉。
  2. ASBA网络利用A线ROI状态空间模型提取稀疏流动特征，并用B线相位注意力捕获长程流动信号。
  3. 实验表明，ASBA在真实动物数据上优于现有方法，能从高度稀疏采样数据中重建ODT图像。

📝 摘要（中文）

光多普勒断层扫描(ODT)是一种新兴的血流分析技术。2D ODT图像(B扫描)通过沿横向轴(B线)依次采集1D深度分辨的原始A扫描(A线)，然后进行多普勒相位减法分析生成。为了确保高保真度的B扫描图像，目前的做法依赖于密集采样，这延长了扫描时间，增加了存储需求，并限制了快速血流动力学的捕获。最近的研究探索了原始A扫描的稀疏采样来缓解这些限制，但它们的有效性受到保守采样率和流动与背景信号的统一建模的阻碍。在本研究中，我们引入了一种新的血流感知网络，名为ASBA (A线ROI状态空间模型和B线相位注意力)，从高度稀疏采样的原始A扫描中重建ODT图像。具体来说，我们提出了一种A线ROI状态空间模型来提取沿A线稀疏分布的流动特征，以及一种B线相位注意力来捕获基于相位差的沿每条B线的长程流动信号。此外，我们引入了一种血流感知加权损失函数，鼓励网络优先重建流动信号。对真实动物数据的广泛实验表明，所提出的方法明显优于现有的最先进的重建方法。

🔬 方法详解

问题定义：论文旨在解决光多普勒断层扫描(ODT)中，由于密集采样导致的扫描时间长、存储需求高以及难以捕捉快速血流动力学的问题。现有方法在稀疏采样重建ODT图像时，效果不佳，主要原因是采样率保守，且对流动和背景信号采用统一建模，忽略了血流的独特性质。

核心思路：论文的核心思路是设计一个血流感知的重建网络ASBA，该网络能够有效地从高度稀疏采样的原始A扫描数据中重建高质量的ODT图像。ASBA通过专门设计的A线ROI状态空间模型和B线相位注意力机制，分别提取A线上的稀疏流动特征和B线上的长程流动信号，从而更好地建模血流信息。

技术框架：ASBA网络的整体框架包含以下几个主要模块：1) A线ROI状态空间模型：用于提取A线上稀疏分布的流动特征。2) B线相位注意力：用于捕获基于相位差的B线上长程流动信号。3) 重建模块：将提取的特征重建为ODT图像。4) 血流感知加权损失函数：用于指导网络训练，优先重建流动信号。

关键创新：论文的关键创新在于：1) 提出了A线ROI状态空间模型，能够有效地提取A线上稀疏分布的流动特征，克服了传统方法对流动信号建模不足的问题。2) 引入了B线相位注意力机制，能够捕获B线上长程的流动信号依赖关系，提升了重建质量。3) 设计了血流感知加权损失函数，使得网络能够更加关注流动信号的重建，进一步提升了重建效果。

关键设计：A线ROI状态空间模型的设计着重于提取感兴趣区域（ROI）内的血流特征，具体实现可能涉及LSTM或Transformer等序列建模方法。B线相位注意力机制利用相位差信息来计算不同位置之间的相关性，从而实现长程依赖的建模。血流感知加权损失函数通过对流动区域赋予更高的权重，来引导网络更加关注流动信号的重建。具体的权重设置可能需要根据实际数据进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在真实动物数据上的实验结果表明，ASBA网络在稀疏采样条件下，能够显著优于现有的重建方法。具体性能提升数据（例如PSNR、SSIM等指标）在摘要中未明确给出，但强调了ASBA在视觉效果上明显优于其他方法，能够更准确地重建血流信号。

🎯 应用场景

该研究成果可应用于眼科、神经外科等领域，用于快速、低存储消耗的血流分析。通过稀疏采样和高效重建，可以实时监测血流动力学变化，辅助疾病诊断和治疗评估。未来，该技术有望推广到其他医学成像领域，提升成像效率和诊断精度。

📄 摘要（原文）

Optical Doppler Tomography (ODT) is an emerging blood flow analysis technique. A 2D ODT image (B-scan) is generated by sequentially acquiring 1D depth-resolved raw A-scans (A-line) along the lateral axis (B-line), followed by Doppler phase-subtraction analysis. To ensure high-fidelity B-scan images, current practices rely on dense sampling, which prolongs scanning time, increases storage demands, and limits the capture of rapid blood flow dynamics. Recent studies have explored sparse sampling of raw A-scans to alleviate these limitations, but their effectiveness is hindered by the conservative sampling rates and the uniform modeling of flow and background signals. In this study, we introduce a novel blood flow-aware network, named ASBA (A-line ROI State space model and B-line phase Attention), to reconstruct ODT images from highly sparsely sampled raw A-scans. Specifically, we propose an A-line ROI state space model to extract sparsely distributed flow features along the A-line, and a B-line phase attention to capture long-range flow signals along each B-line based on phase difference. Moreover, we introduce a flow-aware weighted loss function that encourages the network to prioritize the accurate reconstruction of flow signals. Extensive experiments on real animal data demonstrate that the proposed approach clearly outperforms existing state-of-the-art reconstruction methods.