Shadow Reduction in Ultrasound Imaging Using Differentiable Simulation and Radiance Field Decomposition
作者: Valentin Bacher, Pak Hei Yeung, Bernhard Kainz, Madeleine K. Wyburd, Nicola K. Dinsdale, Michael Gray, Ana I. L. Namburete
分类: cs.CV
发布日期: 2026-09-24
备注: 39 pages, 19 figures, submitted to Medical Image Analysis
💡 一句话要点
提出RFlash以解决超声成像中的阴影问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 超声成像 阴影去除 物理信息处理 辐射场模型 胎儿成像 图像分解 医学影像
📋 核心要点
- 现有超声成像方法在处理骨骼等高衰减组织引起的声学阴影时存在局限，影响了图像质量和临床评估。
- RFlash通过可微分的辐射场模型，将超声图像分解为衰减和散射强度图，从而实现更准确的阴影去除。
- 在多个数据集上，RFlash在减少阴影强度差异和提高预测准确性方面表现优于传统方法，具有显著的临床应用潜力。
📝 摘要（中文）
超声成像中的声学阴影来自骨骼和其他高衰减组织，遮蔽了临床重要结构，尤其在胎儿脑成像中，颅骨引起的伪影影响了近探头半球的对称评估。现有的修正方法依赖于原始扫描仪数据，或对组织特性施加限制性假设。本文提出的RFlash是一种物理信息后处理方法，通过可微分的辐射场图像形成模型，将超声图像分解为衰减和散射强度图。RFlash在1261个3D胎儿脑体积、143个真实2D曲线腹部扫描和1200个模拟2D线性探头肝脏扫描中，显著减少了阴影相关的强度差异，且在预测误差上相较于原始图像降低了5.1天（40%）。
🔬 方法详解
问题定义：本文旨在解决超声成像中由骨骼等高衰减组织引起的声学阴影问题。现有方法通常依赖于原始扫描仪数据，或对组织特性施加限制性假设，导致修正效果不佳。
核心思路：RFlash采用物理信息后处理的方法，通过可微分的辐射场模型，将超声图像分解为衰减和散射强度图，从而消除信号在不同深度上对介质的依赖，类似于将探头虚拟推进组织内部。
技术框架：RFlash的整体架构包括图像分解模块、衰减自适应重渲染模块和阴影置信度图生成模块。首先对超声图像进行分解，然后通过重渲染消除阴影影响，最后生成用于骨骼阴影分割的置信度图。
关键创新：RFlash的主要创新在于其物理信息驱动的图像分解方法，能够有效减少阴影相关的强度差异，且不需要硬件修改或原始数据访问，具有广泛的适用性。
关键设计：RFlash在设计中采用了可微分的图像形成模型，结合了损失函数的优化，确保了衰减和散射强度图的准确性。此外，模型支持2D和3D数据的处理，适用于线性和曲线探头的超声成像。
🖼️ 关键图片
📊 实验亮点
在1261个3D胎儿脑体积、143个真实2D曲线腹部扫描和1200个模拟2D线性探头肝脏扫描中，RFlash显著减少了阴影相关的强度差异，且在预测误差上相较于原始图像降低了5.1天（40%），显示出优于传统Hughes-Duck衰减修正方法的效果。
🎯 应用场景
RFlash的研究成果在临床超声成像中具有广泛的应用潜力，尤其是在胎儿成像和其他需要高精度图像的领域。通过改善图像质量，医生可以更准确地评估和诊断病症，提升临床决策的有效性。未来，该方法可能推动超声成像技术的进一步发展，促进更广泛的临床应用。
📄 摘要（原文）
Acoustic shadows from bone and other highly attenuating tissues obscure clinically important structures in ultrasound. In fetal brain imaging, skull-induced artefacts disproportionately degrade the hemisphere closer to the transducer (proximal), limiting symmetric assessment of the two hemispheres. Existing correction methods require raw scanner data, impose restrictive assumptions on tissue properties, or rely on generative models that may hallucinate anatomy. We present RFlash, a physics-informed post-processing method that decomposes beamformed ultrasound images into explicit attenuation and scatter-intensity maps using a differentiable radiance-field formulation of image formation. Attenuation-adaptive re-rendering then removes the dependence of the signal at each depth on the intervening tissue, equivalent to virtually advancing the transducer into the tissue. Across 1,261 3D fetal brain volumes, 143 real 2D curvilinear abdominal scans, and 1,200 simulated 2D linear-probe liver scans, RFlash reduces shadow-related intensity differences more effectively than classical Hughes-Duck attenuation correction. For a gestational-age model trained on the distal hemisphere (further from the transducer) and applied to the proximal hemisphere, prediction error decreases by 5.1 days (40%) relative to the original images. The estimated attenuation maps also yield shadow-confidence maps that improve random-forest bone-shadow segmentation over the image alone and receive greater SHAP importance than an existing neural confidence-map baseline, suggesting greater physical consistency. RFlash requires neither hardware modification nor access to raw scanner data and supports 2D and 3D acquisitions with linear and curvilinear probes, making it widely applicable allowing clinicians to use our method on their already acquired scanners and images.