Échantillonnage spatiotemporel parcimonieux pour l'angiographie de localisation ultrasonore compressée du cerveau à faible coût

Au cours de la dernière décennie, la microscopie de localisation ultrasonore (ULM) a permis d'imager le système vasculaire cérébral in vivo comme jamais auparavant, avec une résolution d'environ dix microns. Cependant, avec une cadence d'imagerie pouvant atteindre 20.000 images par seconde, cette méthode nécessite l'acquisition, la transmission, le stockage et le traitement d'une grande quantité de données. Chacune de ces étapes peut devenir difficile sans les ordinateurs et échographes adaptés à cette application. Nous proposons ici une nouvelle méthode de reconstruction, baptisée Sparse-ULM, pour diminuer cette quantité de données et la complexité du matériel nécessaire, en sous-échantillonnant de manière aléatoire les canaux d'une sonde linéaire. L'évaluation des performances de la méthode ainsi que l'optimisation des paramètres ont été principalement réalisées in silico dans un fantôme anatomiquement réaliste, puis comparées aux acquisitions sur un cerveau de rat avec craniotomie. La réduction du nombre d'éléments actifs en réception détériore le rapport signal à bruit des données post reconstruction et peut conduire à de fausses détections de microbulles, diminuant le contraste des angiogrammes obtenus. Cependant, cela n'impacte que faiblement la précision de localisation des microbulles. Ces résultats montrent qu'il est possible de trouver un compromis entre le nombre de canaux et la qualité du réseau vasculaire reconstruit, et démontrent la faisabilité de réaliser la microscopie de localisation avec un nombre de canaux en réception considérablement réduit, ouvrant la voie à des dispositifs peu coûteux permettant une cartographie vasculaire à haute résolution.

Abstract

Over the past decade, Ultrasound Localisation Microscopy (ULM) has made it possible to image cerebral vasculature in vivo as never before, with a resolution of about ten microns. However, with frame rate up to 20.000 frames per second, this method requires large amount of data to be acquired, transmitted, stored, and processed. Each of these steps can become challenging without computers or ultrasound scanners provided for this application. Herein, we propose a novel reconstruction framework, named Sparse-ULM for decrease this quantity of data and the complexity of the required hardware by randomly sub-sampling the channels of a linear probe. Method's performance evaluation as well as parameters optimization were mainly performed in silico in an anatomically realistic phantom and then compared to the acquisitions on a rat brain with craniotomy. Reducing the number of active elements deteriorates the signal-to-noise ratio of post-beamforming data, and could lead to false microbubbles detections, decreasing the contrast of the angiograms obtained. However, it has little effect on localization accuracy of microbubbles. These results show that a compromise can be found between the number of channels and the quality of the reconstructed vascular network, and demonstrate feasibility of performing ULM with a drastically reduced number of channels in receive, paving the way for low-cost devices enabling high-resolution vascular mapping.