基于深度学习的高对比度最小方差成像方法 .pdfVIP

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(10)申请公布号CN110554393A

(43)申请公布日2019.12.10

(21)申请号CN201910631984.6

(22)申请日2019.07.12

(71)申请人华南理工大学

地址510640广东省广州市天河区五山路381号

(72)发明人陈俊颖庄仁鑫

(74)专利代理机构广州粤高专利商标代理有限公司

代理人何淑珍

(51)Int.CI

权利要求说明书说明书幅图

(54)发明名称

基于深度学习的高对比度最小方差

成像方法

(57)摘要

本发明公开了基于深度学习的高对

比度最小方差成像方法，该方法使用深度

学习技术提高了传统最小方差成像方法的

性能。针对传统最小方差成像方法在超声

图像对比度上表现不足的问题，深度神经

网络被应用来抑制超声换能器接收到的通

道数据中的离轴散射信号，与最小方差波

束形成方法结合之后能在保持最小方差成

像方法的分辨率表现的同时得到具有更高

对比度的超声图像。与传统最小方差成像

方法相比，本方法在计算变迹权重之后，

先使用深度神经网络处理通道数据，接着

进行通道数据的加权叠加，从而得到目标

成像点的像素值，进而构成完整的超声图

像。结合深度神经网络的最小方差成像方

法能提高传统最小方差成像方法的图像对

比度性能。

法律状态

法律状态公告日法律状态信息法律状态

2023-05-23授权发明专利权授予

权利要求说明书

1.基于深度学习的高对比度最小方差成像方法,包含以下步骤:

S1、对超声成像目标物体进行扫描,由超声换能器接收通道所接收到的回声信号构

成通道数据,针对不同的成像点进行相应的延时操作后,得到延时通道数据;

S2、根据最小方差波束形成方法的原理,基于S1中得到的延时通道数据计算通道的

变迹权重向量;同时对S1中得到的延时通道数据进行短时傅里叶变换,得到频域延

时通道数据;

S3、使用深度神经网络抑制S2中得到的频域延时通道数据中的离轴散射信号,得到

抑制离轴散射信号后的频域延时通道数据;

S4、对S3中得到的抑制离轴散射信号后的频域延时通道数据进行逆短时傅里叶变

换,得到每个通道经过深度神经网络处理的延时通道数据;

S5、将S4中得到的经过深度神经网络处理的延时通道数据划分成对应的子孔径向

量;

S6、用S2中得到的变迹权重向量和S5中得到的经过深度神经网络处理的延时通

道数据子孔径向量进行加权求和并求平均,得到对应的超声成像目标的图像像素值,

进而构成完整的超声图像。

2.根据权利要求1所述的基于深度学习的高对比度最小方差成像方法,其特征在于,

在步骤S1中,对超声成像目标物体进行扫描,由超声换能器接收通道所接收到的回

声信号构成通道数据,然后对通道数据进行延时操作即根据目标成像点的位置、扫

描线的位置、接收通道的位置计算延迟时间,将延迟时间映射成信号下标,从而取出

该接收通道的回声信号中对应于目标成像点的信号值,得到延时通道数据;

设一条扫描线上目标成像点的数目为P,接收通道的数目为N,经过延时操作之后即

得到大小为P×N的延时通道数据矩阵,设扫描线数目为L,则一次成像需要大小为

P×N×L的延时通道数据矩阵M

1

,后续的步骤都将基于此延时通道数据矩阵进行处理。

3.根据权利要求1所述的基于深度学习的高对比度最小方差成像方法,其特征在于,

在步骤S2中,对于一个目标成像点,从延时通道数据矩阵M

1

中可提取出长度为N的延时通道数据向量;根据最小方差波束形成方法的原理,使用

空间平滑技术,即将包含全部接收通道的全孔径划分为若干个相互重叠的子孔径,分

别计算每个子孔径中延时通道数据的协方差矩阵,然后取所有子孔径协方差矩阵的

平均值;设子孔径的通道数为