VESTA：基于轴向时空 ARFI 特征的机器学习黏弹性比值估计

内容形式：摘要译文

组织的黏弹性表征在肿瘤学中具有重要的诊断价值，因为肿瘤进展会同时改变弹性和黏性，而单独考察其中任一性质都无法充分反映这些变化。现有基于声辐射力（ARF）的方法（如黏弹性响应（VisR）超声）通过对每条 A 线进行非线性模型拟合来估算相对弹性和黏性，但计算开销较大，且需要借助额外仿真校正依赖于弹性的偏差。本文提出 VESTA（基于机器学习的黏弹性比值估计方法，利用轴线上时空 ARFI 特征），这是一种两阶段数据驱动流程，可直接从 A 线层级的七个归一化 ARFI 位移特征预测弹性比（ER）和黏性比（VR），无需模型拟合或补偿。第一阶段采用 MLP 分类器，根据归一化峰值位移比和负峰值速度比检测包涵体边界；第二阶段采用扩张式 Conv1D 回归模型，将预测掩码与位移特征结合，在完整轴向序列上估计 ER 和 VR。该流程使用 500 种模拟包涵体场景进行训练，覆盖三种几何形状、五种焦深、两种 F 数以及广泛的材料对比度范围。在计算机仿真中，所有几何形状下预测的 ER 和 VR 均值与真实值的偏差在 12% 以内；当 ER 和 VR 处于中等水平或二者相互解耦时，模型表现最佳。鸡胸肉仿体实验验证表明，该方法能够合理地泛化至具有真实组织异质性的场景。将该流程应用于体内小鼠 4T1 乳腺癌模型后，在为期 36 天的成像期间，它追踪到了紫杉醇治疗肿瘤相较于对照组的机械对比度减弱，支持其】【。

对肿瘤监测的相关性

关键词：黏弹性成像 · 声辐射力脉冲成像 · 超声弹性成像 · 机器学习回归 · 组织仿体

原文链接：https://www.biorxiv.org/content/10.64898/2026.07.06.736692v1?rss=1