[發明專利]基于深度學習的高對比度最小方差成像方法

有效

• 申請號: 201910631984.6
• 申請日: 2019-07-12
• 公開（公告）號: CN110554393B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 陳俊穎;莊仁鑫
• 申請（專利權）人: 華南理工大學
• 主分類號: G01S15/89
• 分類號: G01S15/89;G06N3/08;G06T7/00;G06V10/774;G06V10/82;G06N3/0499;G06T5/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;江裕強

1.基于深度學習的高對比度最小方差成像方法，其特征在于，包含以下步驟：

S1、對超聲成像目標物體進行掃描，由超聲換能器接收通道所接收到的回聲信號構成通道數據，針對不同的成像點進行相應的延時操作后，得到延時通道數據；對超聲成像目標物體進行掃描，由超聲換能器接收通道所接收到的回聲信號構成通道數據，然后對通道數據進行延時操作即根據目標成像點的位置、掃描線的位置、接收通道的位置計算延遲時間，將延遲時間映射成信號下標，從而取出該接收通道的回聲信號中對應于目標成像點的信號值，得到延時通道數據；

設一條掃描線上目標成像點的數目為P，接收通道的數目為N，經過延時操作之后即得到大小為P×N的延時通道數據矩陣，設掃描線數目為L，則一次成像需要大小為P×N×L的延時通道數據矩陣M₁，后續的步驟都將基于此延時通道數據矩陣進行處理；

S2、根據最小方差波束形成方法的原理，基于S1中得到的延時通道數據計算通道的變跡權重向量；同時對S1中得到的延時通道數據進行短時傅里葉變換，得到頻域延時通道數據；對于一個目標成像點，從延時通道數據矩陣M₁中提取出長度為N的延時通道數據向量；根據最小方差波束形成方法的原理，使用空間平滑技術，即將包含全部接收通道的全孔徑劃分為若干個相互重疊的子孔徑，分別計算每個子孔徑中延時通道數據的協方差矩陣，然后取所有子孔徑協方差矩陣的平均值；設子孔徑的通道數為M，則總共有N-M+1個子孔徑，設延時通道數據子孔徑向量為x_i，i＝1,2,...,N-M+1，x_i包含第i個到第(i+M-1)個接收通道的延時通道數據；接著按照如下公式計算每個子孔徑中延時通道數據的協方差矩陣，并求平均值，得到最終估計的協方差矩陣R_cov：

其中，·表示向量乘法，H表示共軛轉置；最小方差波束形成方法旨在最小化目標成像點像素值的方差，優化問題即最小化目標成像點像素值方差表示為如下計算公式：

其中，a為全1的向量，·表示向量乘法，w為通道的變跡權重向量；優化問題的解為：

其中，-1表示矩陣求逆，·表示向量乘法；此權重向量的長度為M，針對每個目標成像點計算一個權重向量；對S1中得到的延時通道數據進行短時傅里葉變換是指使用離散短時傅里葉變換將延時通道數據從時域轉換到頻域中；離散短時傅里葉變換是指使用窗函數的滑動將一段長信號分割成互相重疊的若干段短信號，再分別進行離散傅里葉變換，得到頻域延時通道數據；離散短時傅里葉變換的計算公式如下所示：

其中，指的是一條掃描線上第p個成像點關于第n個接收通道的延時通道數據，p＝1,2,...,P，n＝1,2,...,N，w(p-m)為窗函數，m為窗函數移動的步長，k為所求傅里葉頻率的編號，k的取值范圍與p相同，j為虛數單位；所述窗函數的窗口長度為16，由于一條掃描線上每個接收通道的延時通道數據是一個長度為P的信號向量，因此滑動窗函數得到(P-16+1)個長度為16的信號向量；

由離散傅里葉變換的對稱性可知，當信號序列為實數時，傅里葉變換之后得到的復數幅值具有共軛對稱性，即當信號序列長度為16時，第2至第8個復數幅值和第10至第16個復數幅值是共軛對稱的，因此只需使用前9個復數幅值；對于一條掃描線來說，經過通道數據的短時傅里葉變換之后得到大小為9×(P-16+1)×N的復數幅值矩陣M₂；接著，將實部與虛部分開，并按照接收通道的不同重新組合，得到大小為(2×N)×9×(P-16+1)的數據矩陣M₃，待后續深度神經網絡處理；

S3、使用深度神經網絡抑制S2中得到的頻域延時通道數據中的離軸散射信號，得到抑制離軸散射信號后的頻域延時通道數據；所使用的深度神經網絡，是一個前向的全連接網絡，總共有5層隱藏層，每個隱藏層有170個神經元；每一個頻率對應一個網絡，因此總共有9個網絡，網絡的輸入維度數和輸出維度數均為2×N；將每一條掃描線得到的數據矩陣M₃按照頻率的不同輸入9個網絡進行處理，得到的抑制離軸散射信號后的頻域延時通道數據是大小為(2×N)×9×(P-16+1)的數據矩陣M₄；深度神經網絡的訓練過程是：使用FieldII仿真軟件模擬生成離軸散射信號和非離軸散射信號構成深度神經網絡的訓練集和驗證集數據；深度神經網絡采用Adam優化器進行訓練，Adam優化器綜合使用了梯度的均值和梯度的方差計算網絡權重參數的更新步長，訓練集數據按照批次逐批輸入深度神經網絡，由Adam優化器更新深度神經網絡的參數，處理完所有訓練集數據為一個訓練周期，每一個訓練周期結束之后使用驗證集數據計算驗證誤差并據此更改學習率；訓練過程采用了提前結束訓練策略，即當經過20個周期之后若驗證集誤差仍無改善則提前結束訓練；

S4、對S3中得到的抑制離軸散射信號后的頻域延時通道數據進行逆短時傅里葉變換，得到每個通道經過深度神經網絡處理的延時通道數據；將S3中得到的抑制離軸散射信號后的頻域延時通道數據轉換到時域中；將數據矩陣M₄重新組合成大小為9×(P-16+1)×N的復數幅值矩陣M₅，利用共軛對稱性將其擴展為大小為16×(P-16+1)×N的復數幅值矩陣M₆，并使用逆短時傅里葉變換將每個接收通道的大小為16×(P-16+1)的復數幅值轉換成時域信號，得到每個通道經過深度神經網絡處理的延時通道數據，長度為P，因此L條掃描線的經過深度神經網絡處理的延時通道數據為大小為P×N×L的矩陣M₇，同未使用深度神經網絡處理之前的延時通道數據矩陣M₁大小相同；

S5、將S4中得到的經過深度神經網絡處理的延時通道數據劃分成對應的子孔徑向量；根據S4中得到的經過深度神經網絡處理的延時通道數據，針對每條掃描線上的每個目標成像點，取出長度為N的經過深度神經網絡處理的延時通道數據的全孔徑向量，并劃分為(N-M+1)個對應的子孔徑向量z_i，i＝1,2,...,N-M+1，z_i包含第i個到第(i+M-1)個通道的經過深度神經網絡處理的延時通道數據；

S6、用S2中得到的變跡權重向量和S5中得到的經過深度神經網絡處理的延時通道數據子孔徑向量進行加權求和并求平均，得到對應的超聲成像目標的圖像像素值，進而構成完整的超聲圖像；使用S2中計算得到的變跡權重向量和S5中得到的經過深度神經網絡處理的延時通道數據子孔徑數據進行加權相加，并求平均值，計算公式如下所示：

得到的v即目標成像點的像素值，·表示向量乘法；所有目標成像點的像素值進而構成完整的超聲圖像，該超聲圖像具有高對比度的優點。