CN110851788B - 基于神经网络的超声背散射零差k模型参数估算方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的超声背散射零差K模型参数估算方法，是根据已知的超声背散射零差K模型的参数μ和k，利用蒙特卡洛仿真产生零差K模型独立同分布的超声背向散射信号样本；基于这些样本计算特征参数；利用计算得到的特征参数和已知的μ和k，训练得到反向传播神经网络模型；对于待测的超声背向散射信号样本，首先计算其特征参数，再将特征参数输入训练得到的反向传播神经网络模型，就可得到待测样本的零差K模型参数μ和k的估算结果。本发明方法相比现有技术，具有更高的估算精度和更快的估算速度。

Description

基于神经网络的超声背散射零差K模型参数估算方法

技术领域

本发明属于信号处理技术领域，特别涉及一种医学超声信号处理方法，更具体地，是利用超声背散射信号和神经网络计算零差K模型参数的方法。

背景技术

超声背散射统计参数成像，从背散射信号概率分布模式出发，已成为一类重要的定量超声技术，广泛应用于各种超声组织定征。这类技术包括超声Nakagami成像、信息理论熵成像、零差K(homodyned K)成像等。其中，零差K分布是最具有散射物理意义的超声背散射统计模型，但其模型参数估算相对复杂，一定程度上限制了它的应用。零差K分布模型的概率密度函数为：

式中，A表示超声背散射信号的包络振幅，f(A)是包络振幅的概率密度函数，x是积分变量，J₀(·)是零阶第一类Bessel函数，s²表示相干散射信号的能量，σ²表示弥漫散射信号的能量，μ是超声波分辨单元内的有效散射子数目；定义参数k＝s/σ，表示相干散射信号与弥漫散射信号的比值。

零差K模型的主要参数包括μ和k。从背散射信号中估算零差K分布的参数是一个逆问题，传统估算方法主要有：矩估计法(Dutt V,Greenleaf J F.Ultrasound echoenvelope analysis using a homodyned K distribution signal model[J].UltrasonicImaging,1994,16(4):265-287)、RSK法(Hruska D P,Oelze M L.Improved parameterestimates based on the homodyned K distribution[J].IEEE Transactions onUltrasonics,Ferroelectrics,and Frequency Control,2009,56(11):2471-2481)、XU统计法(Destrempes F,Porée J,Cloutier G.Estimation method of the homodyned K-distribution based on the mean intensity and two log-moments[J].SIAM Journalon Imaging Sciences,2013,6(3):1499-1530)。但这些方法均存在估算精度不足和估算速度较慢的问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出一种基于神经网络的超声背散射零差K模型参数估算方法。

为实现上述目的，本发明采用如下的技术方案：

一种基于神经网络的超声背散射零差K模型参数估算方法，根据已知的零差K模型的参数μ和k，利用蒙特卡洛仿真产生零差K模型独立同分布的超声背向散射信号样本；基于这些样本计算特征参数；利用计算得到的特征参数和已知的μ和k，训练得到反向传播神经网络模型；对于待测样本，首先计算其特征参数，再将特征参数输入训练得到的神经网络模型，就可得到待测样本的零差K模型参数的估算结果。本发明方法具体包括以下步骤：

(1)设置μ和k的已知值。V₁为从C到D之间等间隔分布的长为P的向量，-3≤C≤-1，1.5≤D≤2，316≤P≤100000。V₂为从G到H之间等间隔分布的长为Q的向量，0≤G≤0.01，2≤H≤5，20≤Q≤5001。使

取向量V₁中的每一个数，使k取向量V₂中的每一个数，共产生M组μ和k的组合，M＝P×Q。

(2)对于每一组μ和k已知值的组合，利用蒙特卡洛仿真分别产生N个零差K模型独立同分布的超声背向散射信号样本，1000≤N≤100000：

式中，a_i表示第i个零差K模型独立同分布的超声背向散射信号样本，i∈[1,N]；

s＝σ×k；X和Y表示高斯分布的独立同分布样本，高斯分布的均值和标准差均为1；z为伽马分布的独立同分布样本，伽马分布的形状参数为μ、尺度参数为1。共得到M组N个、即M×N个零差K模型独立同分布的超声背向散射信号样本；[a_1j,a_2j,…,a_Nj]为得到的第j组N个零差K模型独立同分布的超声背向散射信号样本，j∈[1,M]，A_j为[a_1j,a_2j,…,a_Nj]。

(3)对于每一组μ和k已知值的组合、即j取向量(1,2,…,M)中的每一个数，分别计算[a_1j,a_2j,…,a_Nj]即A_j的特征参数FV，特征参数FV的个数为R，R∈[2,13]，

为与第j组对应的第l个特征参数，l∈[1,R]。特征参数FV从以下13个参数中任取R个参数：

参数1：

E[.]为均值函数，即

参数2：

即

参数3：

即

参数4：

的信噪比，即

std(.)为标准差函数；

参数5：

的偏度，即

参数6：

的峰度，即

参数7：

参数8：

参数9：

该参数基于直方图法，首先将A_j划分为W个小区间的直方图，20≤W≤200。N_w为落在第w个小区间内的样本个数，w∈[1,W]，p_w为第w个小区间的样本的概率，p_w＝N_w/N；

参数10：

参数11：

参数12：

参数13：

(4)利用每一组μ和k已知值的组合和计算得到的特征参数

训练得到反向传播神经网络模型，该神经网络共有Z层，3≤Z≤5，包括一个输入层、一个输出层、Z-2个隐含层。输入层的结点数为R，输出层的结点数为2，该神经网络的学习率LR的范围为[0.001,0.05]。

(5)对于待测的超声背散射信号样本，首先计算其特征参数FV，再将计算得到的特征参数输入训练得到的反向传播神经网络模型，就可得到待测样本的零差K模型参数的估算结果。

本发明的有益效果

本发明提出的基于神经网络的超声背散射零差K模型参数估算方法，具有以下有益效果：

1.本发明方法相比现有技术，具有更小的估算误差，即更高的估算精度。

2.本发明方法相比现有技术，估算速度更快。

附图说明

图1：本发明方法的流程图；

具体实施方式

本发明的基于神经网络的超声背散射零差K模型参数估算方法，是利用生物软组织的超声背散射信号，估算出零差K模型参数μ和k的方法，μ是超声波分辨单元内的有效散射子数目，例如细胞的个数；k是相干散射信号与弥漫散射信号的比值，例如组织边界的散射信号与细胞的散射信号的比值。根据已知的零差K模型的参数μ和k，利用蒙特卡洛仿真产生零差K模型独立同分布的超声背向散射信号样本；基于这些样本计算特征参数；利用计算得到的特征参数和已知的μ和k，训练得到反向传播神经网络模型；对于待测样本，首先计算其特征参数，再将特征参数输入训练得到的神经网络模型，就可得到待测样本的零差K模型参数的估算结果。图1为本发明方法的流程图。本实施例中，本发明方法主要包括以下步骤：

(1)设置μ和k的已知值。V₁为从C到D之间等间隔分布的长为P的向量，-3≤C≤-1，1.5≤D≤2，316≤P≤100000。V₂为从G到H之间等间隔分布的长为Q的向量，0≤G≤0.01，2≤H≤5，20≤Q≤5001。使

取向量V₁中的每一个数，使k取向量V₂中的每一个数，共产生M组μ和k的组合，M＝P×Q。本实施例中，C＝-1，D＝2，P＝601；G＝0，H＝2，Q＝201；M＝120801。

(2)对于每一组μ和k已知值的组合，利用蒙特卡洛仿真分别产生N个零差K模型独立同分布的超声背向散射信号样本，1000≤N≤100000：

式中，a_i表示第i个零差K模型独立同分布的超声背向散射信号样本，i∈[1,N]；

s＝σ×k；X和Y表示高斯分布的独立同分布样本，高斯分布的均值和标准差均为1；z为伽马分布的独立同分布样本，伽马分布的形状参数为μ、尺度参数为1。共得到M组N个、即M×N个零差K模型独立同分布的超声背向散射信号样本；[a_1j,a_2j,…,a_Nj]为得到的第j组N个零差K模型独立同分布的超声背向散射信号样本，j∈[1,M]，A_j为[a_1j,a_2j,…,a_Nj]。

(3)对于每一组μ和k已知值的组合、即j取向量(1,2,…,M)中的每一个数，分别计算[a_1j,a_2j,…,a_Nj]即A_j的特征参数FV，特征参数FV的个数为R，R∈[2,13]，

为与第j组对应的第l个特征参数，l∈[1,R]。特征参数FV从以下13个参数中任取R个参数：

参数1：

E[.]为均值函数，即

参数2：

即

参数3：

即

参数4：

的信噪比，即

std(.)为标准差函数；

参数5：

的偏度，即

参数6：

的峰度，即

参数7：

参数8：

参数9：

该参数基于直方图法，首先将A_j划分为W个小区间的直方图，20≤W≤200。本实施例中，W＝100。N_w为落在第w个小区间内的样本个数，w∈[1,W]，p_w为第w个小区间的样本的概率，p_w＝N_w/N；

参数10：

参数11：

参数12：

参数13：

本实施例中，R＝13。

(4)利用每一组μ和k已知值的组合和计算得到的特征参数

训练得到反向传播神经网络模型，该神经网络共有Z层，3≤Z≤5，包括一个输入层、一个输出层、Z－2个隐含层。输入层的结点数为R，输出层的结点数为2，该神经网络的学习率LR的范围为[0.001,0.05]。本实施例中，Z＝4，隐含层的数量为2，隐含层的结点数分别为30和10；LR＝0.01。

(5)对于待测的超声背散射信号样本，首先计算其特征参数FV，再将计算得到的特征参数输入训练得到的反向传播神经网络模型，就可得到待测样本的零差K模型参数的估算结果。

本实施例中，设置零差K模型独立同分布的超声背向散射信号样本的个数N分别取值1000、2500、5000、7500、10000；对于每一个N的取值，分别实施以上步骤(1)至步骤(4)，共训练得到5个神经网络模型。为测试每个训练得到的神经网络模型的预测效果，再实施以上步骤(1)和步骤(2)，即利用蒙特卡洛仿真产生M组N个、即M×N个零差K模型独立同分布的超声背向散射信号样本作为测试样本，测试样本的个数N同样分别取值1000、2500、5000、7500、10000；将得到的M×N个测试样本作为待测的超声背散射信号样本，执行步骤(5)，得到待测样本的零差K模型参数的估算结果。

本发明方法的零差K模型参数估算效果的评价指标为均方根误差。将本发明方法与现有技术即RSK法和XU法进行对比，超声背散射零差K模型参数

和k估算的均方根误差分别如表1和表2所示。可见，在5组测试下，本发明方法均获得了最低的均方根误差，表明本发明方法比RSK法和XU法有着更高的估算精度。另外，在实际测试中发现，本发明方法比RSK法和XU法的估算速度更快。

表1：超声背散射零差K模型参数

估算的均方根误差；

表2：超声背散射零差K模型参数k估算的均方根误差。

Claims (1)

1.一种基于神经网络的超声背散射零差K模型参数估算方法，其特征在于，包括以下步骤：

步骤1、设置超声背散射零差K模型参数μ和k的已知值，μ是超声波分辨单元内的有效散射子数目，k为相干散射信号与弥漫散射信号的比值；V₁为从C到D之间等间隔分布的长为P的向量，-3≤C≤-1，1.5≤D≤2，316≤P≤100000；V₂为从G到H之间等间隔分布的长为Q的向量，0≤G≤0.01，2≤H≤5，20≤Q≤5001；使

取向量V₁中的每一个数，使k取向量V₂中的每一个数，共产生M组μ和k的组合，M＝P×Q；

步骤2、对于每一组μ和k已知值的组合，利用蒙特卡洛仿真分别产生N个零差K模型独立同分布的超声背向散射信号样本，1000≤N≤100000，所述的蒙特卡洛仿真为：

式中，a_i为第i个零差K模型独立同分布的超声背向散射信号样本，i∈[1,N]；

s＝σ×k；X和Y为高斯分布的独立同分布样本，高斯分布的均值和标准差均为1；z为伽马分布的独立同分布样本，伽马分布的形状参数为μ、尺度参数为1；共得到M组N个、即M×N个零差K模型独立同分布的超声背向散射信号样本；[a_1j,a_2j,…,a_Nj]为得到的第j组N个零差K模型独立同分布的超声背向散射信号样本，j∈[1,M]，A_j为[a_1j,a_2j,…,a_Nj]；

步骤3、对于每一组μ和k已知值的组合、即j取向量(1,2,…,M)中的每一个数，分别计算[a_1j,a_2j,…,a_Nj]即A_j的特征参数FV，所述的特征参数FV的个数为R，R∈[2,13]，

为与第j组对应的第l个特征参数，l∈[1,R]；所述的特征参数FV从以下13个参数中任取R个参数：

参数1：

E[.]为均值函数，即

参数2：

即

参数3：

即

参数4：

的信噪比，即

std(.)为标准差函数；

参数5：

的偏度，即

参数6：

的峰度，即

参数7：

参数8：

参数9：

将A_j划分为W个小区间的直方图，20≤W≤200；N_w为落在第w个小区间内的样本个数，w∈[1,W]，p_w为第w个小区间的样本的概率，p_w＝N_w/N；

参数10：

参数11：

参数12：

参数13：

步骤4、利用每一组μ和k已知值的组合和计算得到的特征参数

训练得到反向传播神经网络模型，该神经网络共有Z层，3≤Z≤5，包括一个输入层、一个输出层、Z-2个隐含层；输入层的结点数为R，输出层的结点数为2，该神经网络的学习率LR的范围为[0.001,0.05]

步骤5、对于待测的超声背散射信号样本，首先计算其特征参数FV，再将计算得到的特征参数输入训练得到的反向传播神经网络模型，得到待测样本的零差K模型参数μ和k的估算结果。

Images