[發明專利]神經網絡模型及基于神經網絡模型的超聲波束形成方法

有效

• 申請號: 202010061972.7
• 申請日: 2020-01-20
• 公開（公告）號: CN110874828B
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 朱瑞星;趙靖;江維娜;張云燕;周建橋
• 申請（專利權）人: 上海盡星生物科技有限責任公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 上海申新律師事務所 31272
• 代理人: 吳軼淳

本發明涉及超聲波檢測技術領域，尤其涉及一種基于該神經網絡模型的超聲波束形成方法，包括：處理設備接收超聲回波射頻信號并進行初步處理，以使超聲回波射頻信號能夠適用于神經網絡模型；將超聲回波射頻信號輸入神經網絡模型；對超聲回波射頻信號進行多次卷積處理，并在進行每一次卷積處理后進行一次池化處理；將完成最后一次池化處理后的超聲回波射頻信號進行一維化處理，以將超聲回波射頻信號從三維數據轉換為一維數據；將一維數據進行多次分類處理；將完成分類處理后的超聲回波射頻信號進行灰度映射以形成超聲波束。有益效果：通過神經網絡模型對超聲回波射頻信號進行優化處理以提取出目標特征，從而形成質量更佳的超聲波束。

技術領域

本發明涉及超聲波檢測技術領域，尤其涉及一種神經網絡模型及基于該神經網絡模型的超聲波束形成方法。

背景技術

傳統的超聲波束形成方法是在接收超聲回波射頻信號（以下簡稱RF信號）后通過延時疊加形成，主要包括下述步驟：在接收到RF信號之后，進行低噪放大，可變增益放大，低通濾波，模數轉換，正交解調，包絡計算，延時疊加等一系列的步驟后形成超聲波束。

在現有技術中，傳統的超聲波束形成方法存在以下問題：（1）計算復雜度較大，并且通常將聲速考慮為恒定量，從而導致了RF信號的不正確空間對齊；（2）進行傳統的延時疊加，容易造成主瓣寬，旁瓣能量高的問題，從而帶來橫向分辨率降低和對比度降低；（3）該方法需要進行人為計算，在此之前需要已經得到當前陣列的集合形狀和傳播媒介特性，并且還需要精心設計掃查序列和每個發射振元的權重，對開發人員的技術水平要求較高；（4）在進行了相應的超聲波束形成之后，傳統的超聲系統需要在圖像數據上進行圖像增強與優化，這完全依賴于軟件后端處理。

因此，本發明基于神經網絡模型提出了一種新型的超聲波束形成方法來取代傳統的方法，在接收RF信號后，讓RF信號進入神經網絡模型進行優化處理，通過多次卷積和池化處理提取出目標特征，從而形成質量更佳的超聲波束，且該方法降低了計算復雜度以及開發難度，有效地降低了開發成本。

發明內容

針對現有技術中存在的上述問題，現提供一種神經網絡模型及基于神經網絡模型的超聲波束形成方法。

具體技術方案如下：

本發明包括一種基于神經網絡模型的超聲波束形成方法，應用于超聲掃查的信號處理過程中，通過一處理設備連接用于接收超聲回波射頻信號的接收器；采用一神經網絡模型處理所述超聲回波射頻信號，以使所述超聲回波射頻信號形成超聲波束，所述神經網絡模型內置于所述處理設備中，還包括以下步驟：

步驟S1，所述處理設備接收所述超聲回波射頻信號并進行初步處理，以使所述超聲回波射頻信號能夠適用于所述神經網絡模型；

步驟S2，所述處理設備將初步處理后的所述超聲回波射頻信號輸入所述神經網絡模型；

步驟S3，采用所述神經網絡模型對所述超聲回波射頻信號進行多次卷積處理，并在進行每一次所述卷積處理后進行一次池化處理；

步驟S4，采用所述神經網絡模型將完成最后一次所述池化處理后的所述超聲回波射頻信號進行一維化處理，以將所述超聲回波射頻信號從三維數據轉換為一維數據；

步驟S5，采用所述神經網絡模型將所述一維數據進行多次分類處理；

步驟S6，采用所述神經網絡模型將完成分類處理后的所述超聲回波射頻信號進行灰度映射以形成所述超聲波束。

優選的，所述步驟S1包括：

步驟S11，根據所述超聲回波射頻信號的維度大小進行分類；

步驟S12，再將所述超聲回波射頻信號從灰度圖像數據轉換為彩色圖像數據，隨后轉向所述步驟S2。

優選的，所述步驟S3包括：