[发明专利]基于深度学习的高对比度最小方差成像方法

权利要求书

1.基于深度学习的高对比度最小方差成像方法，其特征在于，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；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M₁，后续的步骤都将基于此延时通道数据矩阵进行处理；

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；对于一个目标成像点，从延时通道数据矩阵M₁中提取出长度为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M，则总共有N-M+1个子孔径，设延时通道数据子孔径向量为x_i，i＝1,2,...,N-M+1，x_i包含第i个到第(i+M-1)个接收通道的延时通道数据；接着按照如下公式计算每个子孔径中延时通道数据的协方差矩阵，并求平均值，得到最终估计的协方差矩阵R_cov：

其中，·表示向量乘法，H表示共轭转置；最小方差波束形成方法旨在最小化目标成像点像素值的方差，优化问题即最小化目标成像点像素值方差表示为如下计算公式：

其中，a为全1的向量，·表示向量乘法，w为通道的变迹权重向量；优化问题的解为：

其中，-1表示矩阵求逆，·表示向量乘法；此权重向量的长度为M，针对每个目标成像点计算一个权重向量；对S1中得到的延时通道数据进行短时傅里叶变换是指使用离散短时傅里叶变换将延时通道数据从时域转换到频域中；离散短时傅里叶变换是指使用窗函数的滑动将一段长信号分割成互相重叠的若干段短信号，再分别进行离散傅里叶变换，得到频域延时通道数据；离散短时傅里叶变换的计算公式如下所示：

其中，指的是一条扫描线上第p个成像点关于第n个接收通道的延时通道数据，p＝1,2,...,P，n＝1,2,...,N，w(p-m)为窗函数，m为窗函数移动的步长，k为所求傅里叶频率的编号，k的取值范围与p相同，j为虚数单位；所述窗函数的窗口长度为16，由于一条扫描线上每个接收通道的延时通道数据是一个长度为P的信号向量，因此滑动窗函数得到(P-16+1)个长度为16的信号向量；

由离散傅里叶变换的对称性可知，当信号序列为实数时，傅里叶变换之后得到的复数幅值具有共轭对称性，即当信号序列长度为16时，第2至第8个复数幅值和第10至第16个复数幅值是共轭对称的，因此只需使用前9个复数幅值；对于一条扫描线来说，经过通道数据的短时傅里叶变换之后得到大小为9×(P-16+1)×N的复数幅值矩阵M₂；接着，将实部与虚部分开，并按照接收通道的不同重新组合，得到大小为(2×N)×9×(P-16+1)的数据矩阵M₃，待后续深度神经网络处理；

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；所使用的深度神经网络，是一个前向的全连接网络，总共有5层隐藏层，每个隐藏层有170个神经元；每一个频率对应一个网络，因此总共有9个网络，网络的输入维度数和输出维度数均为2×N；将每一条扫描线得到的数据矩阵M₃按照频率的不同输入9个网络进行处理，得到的抑制离轴散射信号后的频域延时通道数据是大小为(2×N)×9×(P-16+1)的数据矩阵M₄；深度神经网络的训练过程是：使用FieldII仿真软件模拟生成离轴散射信号和非离轴散射信号构成深度神经网络的训练集和验证集数据；深度神经网络采用Adam优化器进行训练，Adam优化器综合使用了梯度的均值和梯度的方差计算网络权重参数的更新步长，训练集数据按照批次逐批输入深度神经网络，由Adam优化器更新深度神经网络的参数，处理完所有训练集数据为一个训练周期，每一个训练周期结束之后使用验证集数据计算验证误差并据此更改学习率；训练过程采用了提前结束训练策略，即当经过20个周期之后若验证集误差仍无改善则提前结束训练；

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；将S3中得到的抑制离轴散射信号后的频域延时通道数据转换到时域中；将数据矩阵M₄重新组合成大小为9×(P-16+1)×N的复数幅值矩阵M₅，利用共轭对称性将其扩展为大小为16×(P-16+1)×N的复数幅值矩阵M₆，并使用逆短时傅里叶变换将每个接收通道的大小为16×(P-16+1)的复数幅值转换成时域信号，得到每个通道经过深度神经网络处理的延时通道数据，长度为P，因此L条扫描线的经过深度神经网络处理的延时通道数据为大小为P×N×L的矩阵M₇，同未使用深度神经网络处理之前的延时通道数据矩阵M₁大小相同；

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；根据S4中得到的经过深度神经网络处理的延时通道数据，针对每条扫描线上的每个目标成像点，取出长度为N的经过深度神经网络处理的延时通道数据的全孔径向量，并划分为(N-M+1)个对应的子孔径向量z_i，i＝1,2,...,N-M+1，z_i包含第i个到第(i+M-1)个通道的经过深度神经网络处理的延时通道数据；

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；使用S2中计算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数据进行加权相加，并求平均值，计算公式如下所示：

得到的v即目标成像点的像素值，·表示向量乘法；所有目标成像点的像素值进而构成完整的超声图像，该超声图像具有高对比度的优点。