[发明专利]光声成像环形稀疏阵列信号预测方法与装置

说明书

本发明公开了光声成像环形稀疏阵列信号预测方法与装置，该方法使用光声成像稀疏阵列中的超声换能器采集的有限信号，通过一种从超声换能器声波信号到声波信号的卷积门控循环神经网络（WWCG‑Net），预测环形稀疏阵列中未放置超声换能器阵元位置的接收信号。对稀疏阵列数据进行补充后，重建的光声图像可以有效地抑制由稀疏数据重建导致的伪影。稀疏阵列可以提升数据采集效率，节约实验系统成本。通过本发明提出的稀疏阵列信号预测方法重建光声成像，无需收集仿真与实验图像数据进行训练，采用时序列光声信号数据进行训练和预测，是一种简单有效的从稀疏阵列数据重建高质量图像的方式。

技术领域

本发明属于人工智能与生物医学工程领域，具体涉及一种光声成像环形稀疏阵列信号预测方法与装置。

背景技术

光声成像是在融合光学和声学技术各自的优点的基础上，形成的一种新兴的生物医学成像方式，通常采用激光器发射光源，采用多阵元的超声换能器来接收声波信号。光声成像设备需要精密的制造工艺，高密度的阵元器件，将大幅增加成像系统的成本与复杂度。受限于加工工艺，高密度阵列超声换能器有待进一步开发。与此同时，稀疏阵列是一种简化方案，在不改变超声换能器的总孔径的情况下，可以减少换能器的数量，便于工业实现。但是，稀疏阵列采集的声波信号是不完备的，采用传统的重建算法得到的图像将产生严重的伪影，严重降低成像质量。因此，急需解决在稀疏阵列下的高质量光声图像重建问题。已有研究的基于卷积神经网络的深度学习技术可以通过模糊的图像恢复高质量的成像结果，此方法受限于有限的图像数据集。基于循环神经网络的深度学习技术可以在有限的超声换能器声波信号上预测其他位置缺失阵元的声波信号，组成完整的环形阵列信号，再利用重建算法恢复高质量的成像结果。

发明内容

本发明针对现有光声成像环形稀疏阵列采集的有限信号重建图像存在伪影，影响成像质量的情况，提供了一种光声成像环形稀疏阵列信号预测方法，来填补稀疏阵列的有限信号。

本发明的目的是通过以下技术方案实现的：本发明实施例的第一方面提供了一种光声成像环形稀疏阵列信号预测方法，所述方法具体包括以下步骤：

S1，将输入信号进行标准化，并且截去预设的起始阶段长度的信号；

S2，将处理后的输入信号划分为训练数据集，训练数据集的标签集，测试数据集和测试数据集的标签集；

S3，将训练数据集和训练数据集的标签集输入卷积门控循环神经网络进行训练，得到训练后的卷积门控循环神经网络；

S4，在稠密阵列上，将测试数据集和测试数据集的标签集输入训练得到的卷积门控循环神经网络进行验证，并更新卷积门控循环神经网络；

S5，在稀疏阵列中采集信号，将该在稀疏阵列中采集的信号输入更新的卷积门控循环神经网络进行预测，得到稀疏阵列其他位置的超声换能器阵元的信号数据。

进一步地，超声换能器探测被测物体组织反射的声压信号，并将该声压信号转化为电信号，读取该电信号，将该电信号作为输入信号；所述输入信号为N×M形矩阵，M是超声换能器阵元个数，N是单个超声换能器阵元采集到的信号长度。

进一步地，预设的起始阶段长度为400~600，以删除与目标物体无关的超声换能自身反射的回波信号。

进一步地，将包含S个超声换能器阵元的环形超声换能器阵列作为稠密阵列，并将每个超声换能器按序编号为1,2,3…,512…S；以每间隔4个超声换能器阵元保留一个的形式组成一个S/4超声换能器阵元的环形超声换能器阵列，将该包含S/4个超声换能器阵元的环形超声换能器阵列作为稀疏阵列，并将每个超声换能器编号按序为1,5,9…S-3。

进一步地，所述步骤S2具体为：

从编号为1的超声换能器阵元采集的信号开始，按顺序取出编号为1+4K的超声换能器阵元的信号，作为训练数据集；