[发明专利]基于深度学习的高对比度最小方差成像方法

说明书

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。

技术领域

本发明属于超声成像领域，创新地提出基于深度学习的高对比度最小方差成像方法，完成对传统最小方差成像方法的改进。

背景技术

在超声成像方法中，离轴散射的存在使得超声图像的质量下降。近年来，深度学习与超声成像的结合开始成为研究热点，借助于深度学习的强泛化能力，使用适当的训练数据对深度神经网络进行训练，即可使用训练完成的网络模型得到所期望的成像效果。因此，辅之以适当的训练数据即可得到能抑制离轴散射信号的深度神经网络模型。

最小方差波束形成方法自提出以来得到了许多学者的研究，并提出了许多的改进技术。空间平滑技术能提高对数据协方差矩阵估计的准确性；对角加载技术能提高最小方差波束形成方法的鲁棒性；前向后向最小方差波束形成方法能同时提高最小方差波束形成方法的鲁棒性和生成的图像的对比度；基于特征空间的波束形成方法能够提高超声图像的质量；基于特征空间的波束形成方法与符号相干因子相结合能够同时提高最小方差波束形成方法的鲁棒性和超声图像的分辨率以及对比度。但是，最小方差波束形成方法在对比度上的表现却一直不令人满意，而对于最小方差波束形成方法的研究也遇到了瓶颈，难以提高其对比度表现。现今流行的深度学习技术给最小方差成像方法的研究带来了新的研究契机，如何结合深度学习与最小方差成像方法值得被探讨，基于深度学习的高对比度最小方差成像方法将有望提高最小方差成像方法的对比度表现。

本发明提出的基于深度学习的高对比度最小方差成像方法，将深度神经网络结合进最小方差成像方法中，是一种新型的最小方差成像方法。

发明内容

本发明的主要目的是提高最小方差成像方法的对比度表现。目前深度学习与超声成像方法结合的研究刚刚起步，本发明在最小方差波束成像方法中加入了深度神经网络算子，抑制了超声离轴散射信号，提高了最小方差成像方法的性能。本发明的成像方法在不降低图像的分辨率的情况下，提高了图像的对比度，能获得在分辨率和对比度上都具有较好表现的高质量超声图像。

本发明的目的至少通过以下技术方案之一实现。

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，该超声图像具有高对比度的优点。