近日，《IEEE Transactions on Instrumentation and Measurement》在线发表了成像设施总工艺师丁明跃教授团队的研究论文“Untrained Neural Network Based Full Waveform Inversion for Breast Sound Speed Imaging in Ultrasound Computed Tomography”。论文提出了一种基于未训练神经网络（UNN）的全波形反演（FWI）方法，用于解决超声计算机断层扫描（USCT）中乳腺声速成像的循环跳跃问题。
基于未训练神经网络（UNN）的全波形反演（FWI）方法流程图
乳腺癌筛查中，高分辨率的声速图像可以有力识别肿瘤。传统FWI方法因非凸性和非线性特性对初始模型高度敏感，易陷入局部最优解，导致重建图像伪影多且缺乏生理意义。本文的核心创新在于将UNN嵌入FWI框架，通过神经网络的隐式正则化缓解反演过程的不适定性。UNN作为声速图像的生成器，其参数通过无监督学习优化，仅依赖观测数据无需配对训练集。网络输出经线性变换映射到物理声速范围（1400-1700 m/s），并结合总变差（TV）正则化提升图像质量。针对USCT系统特性，设计了多频段优化策略。此外，提出声源校准技术，通过复合点源模型修正发射器与理想点源的声场差异，减少系统建模误差。该研究首次将UNN应用于USCT声速成像，并通过活体验证临床可行性，为乳腺癌筛查提供了高分辨率、强鲁棒性的新型成像方案。
原文链接：https://ieeexplore.ieee.org/document/10938234/authors#authors
