[发明专利]基于深度学习的高对比度最小方差成像方法有效
| 申请号： | 201910631984.6 | 申请日： | 2019-07-12 |
| 公开（公告）号： | CN110554393B | 公开（公告）日： | 2023-05-23 |
| 发明（设计）人： | 陈俊颖;庄仁鑫 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G01S15/89 | 分类号： | G01S15/89;G06N3/08;G06T7/00;G06V10/774;G06V10/82;G06N3/0499;G06T5/00 |
| 代理公司： | 广州粤高专利商标代理有限公司 44102 | 代理人： | 何淑珍;江裕强 |
| 地址： | 510640 广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 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。 | ||
| 搜索关键词： | 基于 深度 学习 对比度 最小 方差 成像 方法 | ||
【主权项】：
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：/nS1、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；/nS2、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；/nS3、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；/nS4、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；/nS5、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；/nS6、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。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910631984.6/，转载请声明来源钻瓜专利网。
