CN109886907B - 一种基于权值矩阵算法的基谐波b超融合方法 - Google Patents

一种基于权值矩阵算法的基谐波b超融合方法 Download PDF

Info

Publication number
CN109886907B
CN109886907B CN201910085452.7A CN201910085452A CN109886907B CN 109886907 B CN109886907 B CN 109886907B CN 201910085452 A CN201910085452 A CN 201910085452A CN 109886907 B CN109886907 B CN 109886907B
Authority
CN
China
Prior art keywords
harmonic
weight matrix
fundamental
component
decibel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910085452.7A
Other languages
English (en)
Other versions
CN109886907A (zh
Inventor
张榆锋
何冰冰
牛德浩
赵征鹏
陈建华
吴俊�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN201910085452.7A priority Critical patent/CN109886907B/zh
Publication of CN109886907A publication Critical patent/CN109886907A/zh
Application granted granted Critical
Publication of CN109886907B publication Critical patent/CN109886907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开一种基于权值矩阵算法的基谐波B超融合方法，其特征在于，包括以下步骤：1)将原始超声射频回波信号分割成多个不重叠局域单元；2)提取基波分量和二次谐波分量；3)分别计算局域单元内基谐波分量的频谱；4)计算二者分贝峰值差异，5)确定整帧图像基谐波频谱分贝峰值差异矩阵，并扩展元素；6)获得谐波分量能量分贝权值，进一步计算能量强度比；7)得到谐波分量权值矩阵和基波分量权值矩阵；最使用谐波分量权值矩阵和基波分量权值矩阵融合原始超声射频信号的基谐波分量，获得融合图像终。本发明能够更好地实现基谐波图像的优势互补，突出组织非线性引起的谐波效果，获得组织内部细节丰富且轮廓清晰的高质量B超图像。

Description

一种基于权值矩阵算法的基谐波B超融合方法
技术领域
本发明属医学图像融合领域，具体涉及一种基于权值矩阵算法的基谐波B超融合方法。
背景技术
由于超声波在生物组织传输过程中的线性作用，传统B超成像使用与频率与发射频率相同的基波回波信号成像，组织轮廓特征显著。但是，生物组织具有衰减和吸收超声波能量等非线性特性，使得超声波在传输过程中滋生谐波。非线性特性越强，谐波分量越大。利用谐波回波信号生成生物组织B超图像的方式称为谐波成像。由于谐波信号主瓣较窄且旁瓣较低，因此谐波图像具有更高的分辨率和对比度，能反映生物组织内部细节特征，但在表现组织轮廓特征方面尚有不足。使用一种成像模式难以获得组织内部细节丰富且轮廓清晰的高质量B超图像。因此，充分利用基谐波信号的互补信息提高生物组织B超图像的清晰度，有望获取更准确的诊断信息。
目前，超声基谐波图像融合技术有像素加权平均(Weighted Average,WA)技术、多分辨分析的小波变换(Wavelet Transformation,WT)技术和Laplace金字塔变换技术以及多尺度几何变换的Curvelet变换技术等。WA技术是对基谐波B超图像的对应像素值直接加权平均得到融合B超图像的像素值，其本质是对基谐波图像进行平滑处理，因此，降低了图像的对比度。多分辨多尺度分析的图像融合技术已成为超声图像融合的研究热点。其中，Laplace金字塔分解变换技术首先对基谐波图像进行Gaussian金字塔分解，然后建立基谐波图像的Laplace金字塔，最后采用重构算法得到融合图像。Feten Besbe等人将对比敏感度函数(Contrast Sensitivity function,CSF)引入基于小波变换的人类视觉系统中，利用该方法融合基谐波图像。Yang Guannan等人使用Curvele变换技术对超声图像融合，对Curvelet变换后的基谐波图像的低频分量采用加权平均法，高频分量采用绝对值最大法，然后对融合Curvelet系数反变换重构融合图像。Liu Guidong等人提出一种基于压缩感知的超声图像融合方法。该方法对基谐波图像在二维Fourier平面内采样，然后在频域内对压缩后的基谐波图像进行加权平均，最后通过Fourier逆变换生成融合图像。上述方法及在此基础上演变的融合方法在一定程度上提高了基谐波B超图像的融合质量，但未考虑超声成像原理，使融合效果在突出超声诊断特征方面尚有不足。为进一步提高融合效果，LiGuoliang等人结合超声成像原理提出一种基于归一化协方差系数的超声基谐波图像融合方法，根据计算相邻两帧谐波信号的归一化协方差系数设计隶属函数，确定基谐波包络信号的融合权值，采用加权平均融合包络信号，并经扫描转换得到融合超声图像。结果表明，该方法融合了基波图像的近远场信息及谐波图像的中场信息，实现了基谐波信息互补。然而该方法未能体现组织非线性强度引起的谐波分量在组织定征中的影响。描述生物组织非线性效应的非线性参量对组织定征及诊断信息的敏感度较线性参量高出1～2个数量级，由此引起的谐波细节是诊断过程中较有优势的一个重要因素。考虑组织非线性强度的显著影响将对融合效果起到至关重要的作用，更有利于组织定征与超声诊断。
针对存在的问题，本发明提出一种基于局域频谱分贝峰值的差异和权值矩阵算法，用于基谐波B超图像融合。根据基谐波分量的频谱分贝峰值差异确定二者融合权值，其目的在于在B超图像中同时体现基波分量中的组织轮廓特征和二次谐波分量中的组织细节特征，提供一种考虑了生物组织非线性特性，用基谐波B超图像融合的权值矩阵算法改善图像的亮度均匀性、提高图像的对比度。
经文献检索，未发现与本发明技术方案相同的超声基谐波权值矩阵的算法的有关公开报道。
发明内容
本发明的目的在于在B超图像中同时体现基波分量中的组织轮廓特征和二次谐波分量中的组织细节特征，提供一种考虑了生物组织非线性特性，基于基谐波B超图像融合的权值矩阵的计算方法，用于基谐波B超融合。
为实现上述目的，本发明采用如下的技术方案：
一种基于权值矩阵算法的基谐波B超融合方法，包括以下步骤：
1)获取原始超声射频回波信号，将原始超声射频回波信号RFM×N分割成m×n个不重叠局域单元，其中1≤m≤M，1≤n≤N，则划分后的原始射频回波信号RFm×n可表示为
Figure GDA0002043750500000031
其中任意局域单元由RFM×N中的元素表示为
Figure GDA0002043750500000032
其中1≤p≤m，1≤q≤n；
Figure GDA0002043750500000037
表示向下取整。
2)使用巴特沃斯滤波器，在所述步骤1所得的任意局域单元b(p,q)内的射频回波信号中提取基波分量bf(p,q)和二次谐波分量bh(p,q)。
3)计算所述局域单元内的基谐波频谱分贝峰值差异：
Figure GDA0002043750500000033
4)获取全帧图像的基谐波频谱分贝峰值差异矩阵Pm×n：
Figure GDA0002043750500000034
5)元素扩展差异矩阵Pm×n，并映射到(0,1)范围内进行标准化处理，得到M×N矩阵Pn。
6)估计谐波分量的能量分贝权值W0H：
Figure GDA0002043750500000035
7)将W0H转换为能量强度比，并映射到(0,1)范围内进行标准化处理，得到谐波分量权值矩阵WH为：
Figure GDA0002043750500000036
基波分量权值矩阵WF为：
WF＝1-WH  (11)
8)使用所述谐波分量权值矩阵WH和所述基波分量权值矩阵WF融合原始超声射频信号的基谐波分量RFf和RFh，获得融合图像IMrf。
IMrf＝WF×RFf+WH×RFh  (12)
本发明使用谐波分量权值矩阵和基波分量权值矩阵融合原始超声射频信号的基谐波分量，获得了融合图像。其中，基波分量携带清晰的组织轮廓信息，谐波分量具有组织纹理的细节信息，基于基谐波能量差异进行加权融合。因此，与原始B超图像相比，本发明获得的融合图像不仅轮廓清晰、细节丰富，而且改善了图像的亮度均匀性、提高了图像的对比度，同时显著凸显了由组织非线性引起的谐波细节优势。
附图说明
图1为本发明方法的具体实施流程图；
图2为本发明实施例的实现过程；
图3为生物组织的不同非线性系数区域；
图4为生成的原始B超图像；
图5为基于本发明权值矩阵获得的B超融合结果。
其中，1、原始超声射频回波信号；2、局域单元；3、基谐波频谱分贝峰值差异；4、谐波分量权值矩阵；5、基波分量权值矩阵。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
一种基于权值矩阵算法的基谐波B超融合方法，包括以下步骤：
1)如附图二所示，获取原始超声射频回波信号1，并将其分割成局域单元2。
建立一个附图三所示的非线性系数映射的非均匀生物组织模型，横向三等分该生物组织模型，其非线性系数依次设置为0，3及7。扫描该模型获取原始超声射频信号，并将其分割成不重叠局域单元。
2)在局域单元中，使用巴特沃斯滤波器提取基波分量和二次谐波分量。
3)如附图二所示，计算局域单元2的基谐波频谱分贝峰值差异3。
Figure GDA0002043750500000041
4)获取全帧图像的基谐波频谱分贝峰值差异矩阵Pm×n：
Figure GDA0002043750500000042
5)元素扩展差异矩阵Pm×n，并映射到(0,1)范围内进行标准化处理，得到M×N矩阵Pn。
6)估计谐波分量的能量分贝权值W0H：
Figure GDA0002043750500000051
7)将W0H转换为能量强度比，并映射到(0,1)范围内进行标准化处理，得到如附图二所示的谐波分量权值矩阵4：
Figure GDA0002043750500000052
附图二所示的基波分量权值矩阵5：
WF＝1-WH  (17)
8)使用所述谐波分量权值矩阵WH和所述基波分量权值矩阵WF融合原始超声射频信号的基谐波分量RFf和RFh，获得融合图像IMrf。
IMrf＝WF×RFf+WH×RFh  (18)
基于本发明，使用谐波分量权值矩阵和基波分量权值矩阵融合原始超声射频信号的基谐波分量，获得了附图五所示的融合图像。与附图四中的原始B超图像相比，本发明不仅能获得轮廓清晰、细节丰富的高质量融合图像，而且改善了图像的亮度均匀性、提高了图像的对比度，同时显著凸显了由组织非线性引起的谐波细节优势。
综上所述，本发明涉及一种用于基谐波B超图像融合的权值矩阵，有助获得更准确的诊断信息。

Claims (4)

1.一种基于权值矩阵算法的基谐波B超融合方法，其特征在于，包括以下步骤：
1)将原始超声射频回波信号RFM×N分割成m×n个不重叠局域单元b(p，q)，其中1≤m≤M，1≤n≤N；
所述方法考虑到了生物组织非线性特性，建立一个非线性系数映射的非均匀生物组织模型，并横向三等分所述生物组织模型，其非线性系数依次设置为0、3及7，扫描所述生物组织模型获取原始超声射频回波信号，并将其分割成不重叠局域单元；
2)在任意局域单元b(p，q)内提取基波分量bf(p，q)和二次谐波分量bh(p，q)；
3)计算基谐波分量的频谱分贝峰值差异；
4)获得整帧图像基谐波频谱分贝峰值差异矩阵Pm×n：
5)对所述步骤4)得到的整帧图像基谐波频谱分贝峰值差异矩阵Pm×n进行元素扩展，并映射到(0，1)范围，得到M×N矩阵Pn；
6)估计谐波分量能量分贝权值；
7)将谐波分量能量分贝权值转换为谐波分量能量强度比，并映射到(0，1)范围，得到谐波分量权值矩阵和基波分量权值矩阵；
8)使用所述谐波分量权值矩阵和所述基波分量权值矩阵融合原始超声射频信号的基谐波分量，获得融合图像。
2.如权利要求1所述的基于权值矩阵算法的基谐波B超融合方法，其特征在于，所述步骤3)中任意局域单元内的基谐波频谱分贝峰值差异为：
Figure FDA0003966274530000011
其中，bf(p，q)为局域单元内的基波分量，bh(p，q)为局域谐波分量。
3.如权利要求1所述的基于权值矩阵算法的基谐波B超融合方法，其特征在于，步骤6)中谐波分量能量分贝权值为：
Figure FDA0003966274530000012
其中，Pn为元素扩展后的能量差异矩阵。
4.如权利要求1所述的基于权值矩阵算法的基谐波B超融合方法，其特征在于，步骤7)中谐波分量权值矩阵为：
Figure FDA0003966274530000013
基波分量权值矩阵为
WF＝1-WH      (4)。
CN201910085452.7A 2019-01-29 2019-01-29 一种基于权值矩阵算法的基谐波b超融合方法 Active CN109886907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910085452.7A CN109886907B (zh) 2019-01-29 2019-01-29 一种基于权值矩阵算法的基谐波b超融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910085452.7A CN109886907B (zh) 2019-01-29 2019-01-29 一种基于权值矩阵算法的基谐波b超融合方法

Publications (2)

Publication Number Publication Date
CN109886907A CN109886907A (zh) 2019-06-14
CN109886907B true CN109886907B (zh) 2023-05-12

Family

ID=66927108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910085452.7A Active CN109886907B (zh) 2019-01-29 2019-01-29 一种基于权值矩阵算法的基谐波b超融合方法

Country Status (1)

Country Link
CN (1) CN109886907B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103202713A (zh) * 2013-01-31 2013-07-17 声泰特（成都）科技有限公司 一种医用超声基波和谐波融合的图像优化方法
CN104504740A (zh) * 2015-01-23 2015-04-08 天津大学 压缩感知框架下的图像融合方法
CN107180411A (zh) * 2017-05-19 2017-09-19 中国科学院苏州生物医学工程技术研究所 一种图像重构方法及系统
CN107991591A (zh) * 2017-12-04 2018-05-04 云南电网有限责任公司普洱供电局 一种基于Kaiser窗FFT单峰插值修正的图像融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9274215B2 (en) * 2013-03-08 2016-03-01 Chison Medical Imaging, Inc. Ultrasound fusion harmonic imaging systems and methods

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103202713A (zh) * 2013-01-31 2013-07-17 声泰特（成都）科技有限公司 一种医用超声基波和谐波融合的图像优化方法
CN104504740A (zh) * 2015-01-23 2015-04-08 天津大学 压缩感知框架下的图像融合方法
CN107180411A (zh) * 2017-05-19 2017-09-19 中国科学院苏州生物医学工程技术研究所 一种图像重构方法及系统
CN107991591A (zh) * 2017-12-04 2018-05-04 云南电网有限责任公司普洱供电局 一种基于Kaiser窗FFT单峰插值修正的图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fusion of harmonic ultrasounds images and standards ultrasounds images modeled with human visual system;Feten Besbes等;《2014 1st International Conference on Advanced Technologies for Signal and Image Processing (ATSIP)》;20140616;全文 *
图像融合在超声造影成像中的应用;杨冠男等;《中国图象图形学报》;20101016(第10期);全文 *
多光谱和全色图像融合适用的超复数主元加权方法;杨惠娟等;《系统工程与电子技术》;20090215(第02期);全文 *

Also Published As

Publication number Publication date
CN109886907A (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
Ragesh et al. Digital image denoising in medical ultrasound images: a survey
Zhou et al. High spatial–temporal resolution reconstruction of plane-wave ultrasound images with a multichannel multiscale convolutional neural network
CN104240203A (zh) 基于小波变换和快速双边滤波的医学超声图像去噪方法
CN101482617B (zh) 基于非下采样轮廓波的合成孔径雷达图像去噪方法
CN109961411B (zh) 非下采样剪切波变换医学ct图像去噪方法
EP4122382A1 (en) Blood pressure prediction method and device using multiple data sources
CN107358156B (zh) 基于希尔伯特-黄变换的超声组织定征的特征提取方法
CN101859434A (zh) 医学超声的基波和谐波图像融合方法
CN104318527A (zh) 基于小波变换和引导滤波器的医学超声图像去噪方法
CN106097280A (zh) 基于正态逆高斯模型的医学超声图像去噪方法
CN106157261A (zh) 平移不变性的shearler变换医学图像去噪方法
CN109003232B (zh) 基于频域尺度平滑Shearlet的医学MRI图像去噪方法
CN106709967A (zh) 一种内窥成像算法及控制系统
CN107845079A (zh) 基于紧支撑的3D‑shearlet医学CT视频去噪方法
CN108670303B (zh) 超音波影像均匀度检测方法及其系统
CN102096913B (zh) 压缩感知框架下的多策略图像融合方法
CN114170103A (zh) 一种电气设备红外图像增强方法
KR20150112057A (ko) 공간 일관성 기초 초음파 신호 처리 모듈 및 그에 의한 초음파 신호 처리 방법
CN109886907B (zh) 一种基于权值矩阵算法的基谐波b超融合方法
CN109766646B (zh) 一种基于稀疏通道回波数据重建的超声成像方法及装置
CN108596879B (zh) 一种基于希尔伯特黄变换的fMRI时频域动态网络构建方法
CN114886463B (zh) 超声成像方法、系统及超声成像的信号解调方法
CN114170239A (zh) 基于分级搜索的大视场自适应壁滤波方法及系统
CN107492117B (zh) 一种基于视频的微颤动功能像成像方法
Patil et al. Machine learning approach for comparative analysis of denoising techniques in ultrasound images of ovarian tumors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant