基于超聲時頻分析與殘差網絡的生物組織變性識別*

劉 備，許克暉，楊德智，彭梓齊，楊江河

（湖南文理學院 數理學院，湖南 常德 415000）

0 引 言

高強度聚焦超聲（high-intensity focused ultrasound，HIFU）因其無創、高效的優點，已經逐漸應用于腫瘤臨床治療［1～3］。HIFU通過超聲能量的積累，產生熱效應和高溫，使病變組織出現變性，不傷及相鄰的正常組織［4，5］。因此，在HIFU熱療過程中，能否實時準確地識別生物組織是否變性是評估HIFU療效的重要一環，可以有效地指導醫生進行進一步治療。

迄今為止，超聲領域的學者們不斷探索新方法，希望能提取出反映生物組織變性的超聲信號特征參數，并結合分類器準確識別HIFU 治療區域的生物組織是否變性［6，7］。明文等人［8］提取超聲時域能量特征來檢測生物組織的損傷情況，并結合反向傳播（back propagation，BP）神經網絡完成變性識別。錢駿等人［9］通過分析超聲信號的相位差特性，實現了對局灶組織變性的監測。文獻［10，11］通過AR模型提取超聲回波信號頻域特征，用于表征HIFU 治療過程中的組織變性。胡偉鵬等人對HIFU治療區域生物組織超聲回波信號的熵特征進行了定量分析，并結合高性能分類器進行變性識別，識別率能達到90%以上［12，13］。然而上述基于單一時域或頻域的超聲回波信號分析方法不能全面反映信號所攜帶的信息，且容易受到環境噪聲的影響，從而導致HIFU 治療區域生物組織的變性識別率較低。而熵特征需要人為經驗選取參數，存在參數選擇的主觀性和不確定性，不能實時完成變性識別，降低了臨床實時性。

廣義S變換（generalized S-transformation，GST）在信號時頻分析中具有抗噪性強、分辨率高的優勢，能較為全面地提取信號特征，且已經在地質監測、故障診斷、超聲信號處理等眾多領域有了成功的應用［14～16］。殘差網絡（residual network，ResNet）是深度學習的一個重要分支，可以自動提取傳統特征提取方法難以獲得的高維特征［17］。它消除了人工特征提取的主觀性和不確定性，非常適合于醫學數據的識別任務。

本文基于超聲時頻分析與ResNet對HIFU治療過程中生物組織進行變性識別。首先，采用GST方法對生物組織變性前后超聲回波信號進行時頻分析，得到二維時頻圖；然后，通過遷移學習得到網絡模型的訓練參數；最后，利用ResNet101模型從時頻圖中提取有效的變性信息，實時地完成生物組織的變性識別。

1 原 理

1.1 GST

S變換（ST）作為一種時頻分析工具，常用于分析一維時域信號并映射至時頻域中，待分析信號x（t）的S變換公式如式（1）所示

式中 f為頻率，b為時間平移量，?（t-b，f）為如式（2）所示的高斯窗函數

GST通過在高斯窗函數中加入一個可調參數λ，提高了ST的精度以及靈活性，如式（3）所示

1.2 遷移學習與模型優化

遷移學習將在源任務上學習得到的特征或模型參數應用至新任務，加速了學習過程，提高了新任務的學習性能。基于遷移學習的優勢，本文以ResNet101 模型為基礎，將模型參數設置為在ImageNet數據集訓練得到的參數，然后對HIFU治療過程中生物組織超聲回波信號的時頻圖數據集進行訓練。

本文選擇SGDM模型優化器，初始學習率為0.001，在隨機梯度下降法的基礎上引入了一階動量。將由式（5）替代式（4）來完成梯度更新

式中 mt和mt-1分別為當前時間和前一次時間的梯度更新，β為衰減系數（通常為0.9），gt為目標函數的梯度。模型優化通過結合梯度下降和動量機制，加速模型訓練，避免陷入局部最優解，提高了訓練速度和收斂性。

1.3 ResNet

近年來，卷積神經網絡（convolutional neural network，CNN）常被用于處理和分析圖像數據。然而在CNN的開發和研究過程中，由于分類問題和識別難度的增加，對于CNN層數的要求越來越高，容易導致梯度消失或梯度爆炸的發生。因此，在CNN 基礎上，He K M 等人［17］提出Res-Net模型。ResNet引入了殘差學習機制，允許網絡在訓練過程中學習殘差（即實際輸出與期望輸出之間的差異），而不是直接學習映射函數。這種機制幫助解決深度網絡訓練過程中的梯度消失和梯度爆炸問題，并在圖像識別和目標檢測等計算機視覺任務中取得了較多成果。

ResNet的基本單元是殘差塊，殘差塊的結構使得神經網絡可以輕松地學習恒等映射和殘差，提高網絡的表達能力。這種設計不僅可以有效地管理網絡參數和計算復雜度，還緩解了梯度消失問題，提升了深度神經網絡的訓練能力。殘差結構單元可表示為

式中 xj和xj＋1分別為圖層網絡的輸入信息和輸出信息，Wj為在該圖層中需要學習的參數。式（7）的遞歸運算給出了任何深度單元J的特征表示

式（8）中引入了BP 的概念，可以更好地理解ResNet模塊的設計思想。設網絡的損失函數為E，它可以根據BP鏈推導規則表示為

本文中的訓練模型選用ResNet101。ResNet101最多有101層，主要由殘差模塊、池化層和全連接層組成。殘差模塊由3個卷積層（大小分別為1 ×1、3 ×3 和1 ×1）依次連接而成。在傳輸超聲回波信號時頻圖像數據后，通過Res-Net提取其變性特征進行學習訓練；然后，將訓練后的圖像輸入池化層進行特征融合；最后，通過全連接層與SoftMax函數形成不同類別的概率分布，完成圖像數據分類。

2 實驗數據與分析

采用B型超聲監測HIFU換能器輻照豬肌肉組織的靶區位置，然后利用光纖水聽器接收輻照區域的超聲回波信號，通過數字示波器將超聲回波信號轉換為數字信號并保存于電腦端。此外，通過對豬肌肉組織進行切片來確定組織的變性狀態。圖1所示為HIFU治療過程中的生物組織切片，可以明顯看出變性生物組織出現了“水滴”狀的白斑焦域。圖2所示為獲取的HIFU治療變性前后超聲回波信號波形圖及時頻圖，從圖中可以發現，GST得到的時頻圖能較好地表征超聲回波信號在時頻域上的分布，相較于未變性組織，變性組織超聲回波信號中心頻率出現偏移，且時頻分布更加雜亂。這是因為生物組織變性后，超聲回波信號出現了頻移和復雜度變化的情況。

圖1 HIFU治療過程中生物組織切片

圖2 HIFU治療變性前后超聲回波信號波形及時頻圖

3 檢測結果與分析

未變性與變性狀態超聲回波信號時頻圖樣本總數為3 800，包括2 000個變性狀態以及1 800 個未變性狀態。兩種狀態下的樣本均按照比例6∶4隨機劃分為訓練集和測試集，采用遷移學習進行預訓練，設置模型參數為在ImageNet數據集上預訓練得到的參數，并將時頻圖輸入已經建立完成的模型進行訓練。圖3所示為未變性與變性組織超聲回波信號時頻圖樣本的訓練結果，從圖中可以看出，經過25次迭代后，網絡模型開始趨于穩定，訓練準確度基本達到100%，損失值趨于0。因此，ResNet 模型對HIFU 治療過程中不同狀態生物組織具有較高的變性識別率，同時不存在過擬合問題。

圖3 超聲回波信號時頻圖訓練結果

為進一步驗證GST-ResNet 模型對于不同狀態下生物組織變性特征的學習能力，采用t-SNE 技術對卷積層進行特征可視化，結果如圖4所示。圖4（a）為ResNet卷積層1的輸入特征可視化結果，此時變性特征與未變性特征點出現明顯混疊現象。圖4（b）為全連接層的輸出特征可視化結果，此時變性與未變性類型重疊區域減小，已出現點簇分離現象，區分度明顯。這意味著隨卷積層的深入，ResNet模型能從超聲回波信號時頻圖中學習和提取區分度更高，更有效的變性信息。

圖4 卷積層特征可視化結果

為了進一步說明GST-ResNet 模型在生物組織超聲回波信號變性識別的優勢，將本文所提GST-ResNet方法與已有文獻中變性識別方法結果［8，10，13］進行對比，對比結果如表1所示。可以明顯看出本文方法的變性識別率高于現有方法，達到96.12%。其中，測試集中的800 個變性狀態樣本有788個樣本被正確識別；720個未變性樣本有673個被正確識別。此外，已有方法通常是先對原始超聲信號數據集進行特征提取，通過人為經驗選取特征參數，再將選取的特征輸入到分類器中完成變性識別。該過程存在特征參數選擇的主觀性和不確定性，不能實時完成變性識別。而GST-ResNet方法能自動提取傳統特征提取方法難以獲得的高維特征，消除了人工特征提取的主觀性和不確定性。綜上，本文所提基于超聲時頻分析與ResNet的生物組織變性識別方法識別率更高，能實時準確地識別HIFU 治療過程中的生物組織是否變性。

表1 不同方法的變性識別率對比 %

4 結 論

本文提出了基于超聲時頻分析與ResNet101 的生物組織變性識別方法。首先，采用GST 方法對HIFU 治療過程中生物組織超聲回波信號進行時頻分析，得到二維時頻圖；然后，利用ResNet101 從生物組織變性前后的時頻圖中學習和提取有效的變性信息；最后，對測試集中未變性以及變性樣本進行識別。實驗結果表明：相較于已有傳統方法，本文所提方法能自動提取生物組織超聲回波信號有效的變性特征，變性識別率更高，達到96.12%，能實時準確地識別HIFU治療過程中的生物組織是否變性。