CN112528731B - 基于双回归卷积神经网络的平面波波束合成方法及系统 - Google Patents
基于双回归卷积神经网络的平面波波束合成方法及系统 Download PDFInfo
- Publication number
- CN112528731B CN112528731B CN202011166159.2A CN202011166159A CN112528731B CN 112528731 B CN112528731 B CN 112528731B CN 202011166159 A CN202011166159 A CN 202011166159A CN 112528731 B CN112528731 B CN 112528731B
- Authority
- CN
- China
- Prior art keywords
- plane wave
- radio frequency
- frequency signal
- neural network
- convolutional neural
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 230000009977 dual effect Effects 0.000 title claims abstract description 19
- 238000001308 synthesis method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 29
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000002131 composite material Substances 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011478 gradient descent method Methods 0.000 claims abstract description 7
- 230000006835 compression Effects 0.000 claims abstract description 4
- 238000007906 compression Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 23
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001427 coherent effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 30
- 230000008569 process Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000002099 shear wave elastography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Hematology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
基于双回归卷积神经网络的平面波波束合成方法及系统，方法包括：多角度平面波回波信号采集与预处理：采集多角度平面波回波信号，然后对单角度平面波回波信号预处理，获取射频信号立方体；模型训练：以单角度平面波射频信号立方体为输入，以基于延时叠加算法的多角度平面波复合数据为标签，用随机梯度下降法对预先构建的双回归卷积神经网络进行训练；模型预测：以单角度平面波射频信号立方体作为输入，基于训练好的双回归卷积神经网络，预测多角度平面波波束合成后的数据；之后经过信号解调、对数压缩、坐标变换的步骤得到平面波图像。本发明还提供一种实现上述方法的系统。本发明在不降低帧率的情况下提高了平面波成像质量。
Description
技术领域
本发明属于医学超声成像领域，具体涉及一种基于双回归卷积神经网络的平面波波束合成方法及系统。
背景技术
超快平面波成像属于超快超声成像方式的一种。其本质是换能器发射超声波过程中使用非聚焦平面波发射替代大量的聚焦发射来获取超声图像数据。理论上，超快平面波成像在成像深度5cm范围内可以达到15000帧/秒。这种成像方式打破了传统超声成像方式(100帧/秒)对帧率的限制，满足了许多新型成像模式，如超快血流成像和剪切波弹性成像等。然而由于平面波成像过使用全孔径发射接收，降低了接收信号的信噪比，使平面波成像质量较差。
多角度平面波相干复合是目前常用的提高平面波图像质量的方法之一。该方法通过发射不同角度的平面波，并将多角度平面波波束合成后数据相干叠加，用于多角度平面波的相干复合成像。目前，多角度相干复合被广泛应用于以平面波为基础的研究中。研究表明，足够多角度的平面波相干复合可以达到和传统的聚集超声相似的图像质量。然而随着复合角度的不断增多，帧率又会不断下降。
为了克服上述问题，即在保证帧率的情况下，提高平面波成像质量，需要对平面波成像过程以及图像处理方法进行优化。近年来兴起了基于深度学习的平面波成像方法研究。目前，基于深度学习改善平面波图像质量的方法可以分为两个方式。第一种方式是基于像素水平的平面波图像重建，即利用深度学习建模低分辨率平面波图像和高分辨率平面波图像之间的映射关系，但这种方式主要关注不同像素点之间的几何关系，类似于图像平滑处理，没有从根本上优化平面波成像过程，使模型缺乏泛化性。另一种方式是优化平面波成像过程，这种方法“端到端”地学习自适应平面波波束合成方式和成像过程，使得模型具有好的泛化性。但“端到端”地学习平面波成像空间的映射，使可能的函数映射空间较大。
发明内容
本发明的目的在于针对上述现有技术中平面波成像可能的函数映射空间大以及模型训练困难的问题，提供一种基于双回归卷积神经网络的平面波波束合成方法及系统，降低可能的模型函数空间，有效增强模型的鲁棒性，在不降低帧率的情况下尽可能提高平面波成像质量。
为了实现上述目的，本发明有如下的技术方案：
一种基于双回归卷积神经网络的平面波波束合成方法，包括以下步骤：
步骤S1、多角度平面波回波信号采集与预处理：采集多角度平面波回波信号，然后对单角度平面波回波信号预处理，获取射频信号立方体。获取射频信号立方体的具体方法如下：根据换能器不同通道接收像素点的信号延时，获取每个像素点的动态孔径信号，组成射频信号立方体，作为输入数据进行后续模型训练；
步骤S2、模型训练：以单角度平面波射频信号立方体为输入，以基于延时叠加算法的多角度平面波复合数据为标签，用随机梯度下降法对预先构建的双回归卷积神经网络进行训练；
步骤S3、模型预测：以单角度平面波射频信号立方体作为输入，基于训练好的双回归卷积神经网络，预测多角度平面波波束合成后的数据；之后经过信号解调、对数压缩、坐标变换的步骤得到平面波图像。
作为优选，所述双回归卷积神经网络的损失函数为一个多任务损失函数，其由初始回归损失、双向回归损失两部分组成；所述初始回归损失、双向回归损失均使用均方误差计算。
作为优选，双回归卷积神经网络的损失函数为：
其中，N表示样本数目，为初始回归损失，/>为双向回归损失，λ是预设的调节因子；其中/>和/>均使用均方误差(MSE)计算，具体计算公式如下：
作为优选，步骤S1根据换能器不同通道接收像素点信号延时获取每个像素点动态孔径信号，组成射频信号立方体，基于双回归卷积神经网络，实现适合于平面波的自适应波束合成。
作为优选，所述的射频信号立方体x为所有像素点动态孔径信号的矩阵立方体，表达式为：
式中，L是换能器孔径长度，K是采样点数，xl[k]表示第l个阵元的k个采样点的位置接收到动态孔径延迟信号；xl[k]的长度是最大孔径长度，即L+1，表示为：
xl[k]＝[xl，0[k]，xl，1[k]...，xk，l[k]...，xl，L[k]]T
其中，xl,j[k]表示阵元j上收到的来自像素点(l,k)的回波信号值；
设该位置有效孔径为M，那么在最大孔径上M以外位置信号值设置为0。
作为优选，采用环状模型结构，通过多任务损失函数对输入空间进行约束，降低可能的模型函数空间。
作为优选，通过多任务损失函数对输入空间进行约束的具体步骤如下：
设表示单角度平面波射频信号立方体，为模型输入；/>表示基于延时叠加算法的少数角度波束合成和复合相干；/>表示基于延时叠加算法的多角度平面波波束合成和复合相干；通过同时学习一个初始映射网络重建多角度平面波复合相干数据和一个双向映射网络返回少数角度的平面波波束合成数据；具体定义如下：
定义式0：射频信号立方体的延时叠加，射频信号立方体的延时叠加视为一个函数其中B(x)表示基于延时叠加算法的波束合成；
定义式1：初始映射网络，初始映射网络视为一个函数其中P(x)表示重建的多角度平面波数据；
定义式2：双向映射网络，双向映射网络视为一个函数其中D(y)表示返回的单角度或者少数角度平面波波束合成数据；
使射频信号立方体的延时叠加、初始映射网络和双向映射网络成一个环状结构，提供监督信息同时训练函数P和函数D；
约束条件为：如果P(x)相似于多角度平面波波束合成数据，那么D(P(x))相似于单角度或者少数角度平面波波束合成数据。
本发明还提供一种基于双回归卷积神经网络的平面波波束合成系统，包括：
多角度平面波回波信号采集与预处理模块，采集多角度平面波回波信号，然后对单角度平面波回波信号预处理，获取射频信号立方体。获取射频信号立方体的具体方法如下：根据换能器不同通道接收像素点的信号延时，获取每个像素点的动态孔径信号，组成射频信号立方体，作为输入数据进行后续模型训练；
模型训练模块，用于以单角度平面波射频信号立方体为输入，以基于延时叠加算法的多角度平面波复合数据为标签，用随机梯度下降法对预先构建的双回归卷积神经网络进行训练；
模型预测模块，用于以单角度平面波射频信号立方体作为输入，基于训练好的双回归卷积神经网络，预测多角度平面波波束合成后的数据；再经过数据处理得到平面波图像。
相较于现有技术，本发明具有如下的有益效果：利用双回归卷积神经网络对平面波的波束合成过程进行优化，在不降低帧率的情况下提高了平面波成像质量。本发明的双回归卷积神经网络采用多任务损失函数，通过对输入空间引入一个额外的约束，降低了可能的模型函数空间，使模型具有较好的鲁棒性。在超快平面波成像过程中，本发明通过了一种鲁棒的深度学习方法，有效解决了模型训练困难的问题，实现了超快平面波成像过程中波束合成过程优化和成像质量提高。
附图说明
图1本发明实施例的平面波波束合成方法流程图；
图2平面波原始射频信号预处理示意图；
图3不同空间的环状联系结构示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明提出了一种基于双回归卷积神经网络的平面波波束合成方法及系统，优化了传统的平面波成像算法。在不降低帧率的情况下，提高超快平面波成像质量。
参见图1，本发明实施例基于双回归卷积神经网络的平面波波束合成方法包括以下步骤：
步骤S1，多角度平面波回波信号采集与预处理：采集多角度平面波回波信号，然后对单角度平面波回波信号预处理，获取射频信号立方体。获取射频信号立方体的具体方法如下：根据换能器不同通道接收像素点的信号延时，获取每个像素点的动态孔径信号，组成射频信号立方体，作为输入数据进行后续模型训练；射频信号立方体x表达式为：
式中的L是换能器孔径长度，K是采样点数，xl[k]表示第l个阵元的k个采样点的位置接收到动态孔径延迟信号。信号延迟主要考虑从发射阵元到成像目标点再到接收阵元的声波传播时间。xl[k]的长度是最大孔径长度，即L+1。表示为：
xl[k]＝[xl,0[k],xl,1[k]…,xl,j[k]…,xl,L[k]]T
其中，xl,j[k]表示阵元j上收到的来着像素点(l,k)的回波信号值。设该位置有效孔径为M，那么在最大孔径上M以外位置信号值设置为0。
步骤S2，在模型训练过程中，以单角度平面波射频信号立方体作为输入，以基于延时叠加算法的多角度平面波复合数据为标签，运用随机梯度下降法对预先构建的双回归卷积神经网络进行训练；
这里，本发明所使用的双回归网络结构包括两部分，初始网络结构用于重建高质量平面波波束合成数据和一个基于卷积神经网络的双向网络。模型认为以u-net为基础的初始网络结构可以将低质量平面波数据映射成高质量的平面波波束合成数据，那么其相应的双向网络可以将高质量的波束合成数据返回低质量的波束合成数据。这样所提出的模型形成环状模型结构。通过对输入空间引入一个额外的约束，降低了可能的模型函数空间，使模型具有较好的鲁棒性。具体如下：
设表示单角度平面波射频信号立方体，为模型输入。/>表示基于延时叠加算法的少数角度波束合成和复合相干。/>表示基于延时叠加算法的多角度平面波波束合成和复合相干。本发明同时学习一个初始映射网络重建多角度平面波复合相干数据和一个双向映射网络返回少数角度的平面波波束合成数据。具体定义如下：
定义式0(基于延时叠加算法的波束合成)：使用延时叠加算法实现函数其中B(x)表示基于延时叠加算法波束合成。
定义式1(初始映射网络)：初始映射网络视为函数其中P(x)重建的多角度平面波数据
定义式2(双向映射网络)：双向映射网络视为函数其中D(y)表示返回的单角度或者少数角度平面波波束合成数据。
动态孔径信号的延时叠加、初始网络和双向网络构成一个环状结构，提供监控信息同时训练函数P和函数D。这里，本发明提出这样的约束：如果P(x)相似于多角度平面波波束合成数据，那么D(P(x))应该相似于单角度或者少数角度平面波波束合成数据。在这样的约束下本发明减小了函数可能的映射空间，提高了模型鲁棒性。
预先构建的双回归卷积神经网络，其损失函数为：
其中，N表示样本数目，为初始回归损失，/>为双向回归损失，λ是预设的调节因子。其中/>和/>均使用均方误差(MSE)计算，具体计算公式如下：
步骤S3，在模型预测过程中，以单角度平面波射频信号立方体作为输入，基于训练好的双回归网络模型，预测多角度平面波波束合成后的数据。之后经过信号解调、对数压缩、坐标变换的步骤得到平面波图像。
本发明还提供一种基于双回归卷积神经网络的平面波波束合成系统，包括：
多角度平面波回波信号采集与预处理模块，用于采集多角度平面波回波信号，然后对单角度平面波回波信号预处理，获取射频信号立方体。获取射频信号立方体的具体方法如下：根据换能器不同通道接收像素点的信号延时，获取每个像素点的动态孔径信号，组成射频信号立方体，作为输入数据进行后续模型训练；
模型训练模块，用于以单角度平面波射频信号立方体为输入，以基于延时叠加算法的多角度平面波复合数据为标签，用随机梯度下降法对预先构建的双回归卷积神经网络进行训练；
模型预测模块，用于以单角度平面波射频信号立方体作为输入，基于训练好的双回归卷积神经网络，预测多角度平面波波束合成后的数据；再经过数据处理得到平面波图像。
本发明利用双回归卷积神经网络的方法对平面波波束合成过程进行优化，在不降低帧率的情况下提高平面波成像质量。双回归卷积神经网络采用多任务损失函数，通过对输入空间引入一个额外的约束，降低了可能的模型函数空间，使模型具有较好的鲁棒性。
以上所述的仅仅是本发明的较佳实施例，并不用以对本发明的内容进行任何限制，本领域技术人员应当理解的是，在不脱离本发明精神或原则的前提下，所述的技术方案还可以进行若干简单的修改和替换，这些修改和替换也均属于权利要求书所涵盖的保护范围之内。
Claims (6)
1.一种基于双回归卷积神经网络的平面波波束合成方法，其特征在于，包括以下步骤：
步骤S1、多角度平面波回波信号采集与预处理：采集多角度平面波回波信号，然后对单角度平面波回波信号预处理，获取射频信号立方体；获取射频信号立方体的具体方法如下：根据换能器不同通道接收像素点的信号延时，获取每个像素点的动态孔径信号，组成射频信号立方体，作为输入数据进行后续模型训练；
步骤S2、模型训练：以单角度平面波射频信号立方体为输入，以基于延时叠加算法的多角度平面波复合数据为标签，用随机梯度下降法对预先构建的双回归卷积神经网络进行训练；
步骤S3、模型预测：以单角度平面波射频信号立方体作为输入，基于训练好的双回归卷积神经网络，预测多角度平面波波束合成后的数据；之后经过信号解调、对数压缩、坐标变换的步骤得到平面波图像；
所述双回归卷积神经网络的损失函数为一个多任务损失函数，其由初始回归损失、双向回归损失两部分组成；所述初始回归损失、双向回归损失均使用均方误差计算；
双回归卷积神经网络的损失函数为：
其中，N表示样本数目，为初始回归损失，/>为双向回归损失，λ是预设的调节因子；其中/>和/>均使用均方误差(MSE)计算，具体计算公式如下：
2.根据权利要求1所述基于双回归卷积神经网络的平面波波束合成方法，其特征在于：步骤S1根据换能器不同通道接收像素点信号延时获取每个像素点动态孔径信号，组成射频信号立方体，基于双回归卷积神经网络，实现适合于平面波的自适应波束合成，作为输入数据进行后续模型训练。
3.根据权利要求1或2所述基于双回归卷积神经网络的平面波波束合成方法，其特征在于，所述的射频信号立方体x为所有像素点动态孔径信号的矩阵立方体，表达式为：
式中，L是换能器孔径长度，K是采样点数，xl[l]表示第l个阵元的k个采样点的位置接收到动态孔径延迟信号；xl[k]的长度是最大孔径长度，即L+1，表示为：
xl[l]＝[xl,0[k],xl,1[k]…,xl,j[l]…,xl,L[k]]T
其中，xl,j[k]表示阵元j上收到的来自像素点(l,k)的回波信号值；
设该位置有效孔径为M，那么在最大孔径上M以外位置信号值设置为0。
4.根据权利要求1所述基于双回归卷积神经网络的平面波波束合成方法，其特征在于：采用环状模型结构，通过多任务损失函数对输入空间进行约束，降低可能的模型函数空间。
5.根据权利要求4所述基于双回归卷积神经网络的平面波波束合成方法，其特征在于，通过多任务损失函数对输入空间进行约束的具体步骤如下：
设表示单角度平面波射频信号立方体，为模型输入；/>表示基于延时叠加算法的少数角度波束合成和复合相干；/>表示基于延时叠加算法的多角度平面波波束合成和复合相干；通过同时学习一个初始映射网络重建多角度平面波复合相干数据和一个双向映射网络返回少数角度的平面波波束合成数据；具体定义如下：
定义式0：射频信号立方体的延时叠加；射频信号立方体的延时叠加视为一个函数B:其中B(x)表示基于延时叠加算法的波束合成；
定义式1：初始映射网络，初始映射网络视为一个函数P∶其中P(x)表示重建的多角度平面波数据；
定义式2：双向映射网络，双向映射网络视为一个函数D:其中D(y)表示返回的单角度或者少数角度平面波波束合成数据；
使射频信号立方体的延时叠加、初始映射网络和双向映射网络成一个环状结构，提供监督信息同时训练函数P和函数D；
约束条件为：如果P(x)相似于多角度平面波波束合成数据，那么D(P(x))相似于单角度或者少数角度平面波波束合成数据。
6.一种基于双回归卷积神经网络的平面波波束合成系统，其特征在于，包括：
多角度平面波回波信号采集与预处理模块，用于采集多角度平面波回波信号，然后对单角度平面波回波信号预处理，获取射频信号立方体；获取射频信号立方体的具体方法如下：根据换能器不同通道接收像素点的信号延时，获取每个像素点的动态孔径信号，组成射频信号立方体，作为输入数据进行后续模型训练；
模型训练模块，用于以单角度平面波射频信号立方体为输入，以基于延时叠加算法的多角度平面波复合数据为标签，用随机梯度下降法对预先构建的双回归卷积神经网络进行训练；
模型预测模块，用于以单角度平面波射频信号立方体作为输入，基于训练好的双回归卷积神经网络，预测多角度平面波波束合成后的数据；再经过数据处理得到平面波图像；
所述双回归卷积神经网络的损失函数为一个多任务损失函数，其由初始回归损失、双向回归损失两部分组成；所述初始回归损失、双向回归损失均使用均方误差计算；
双回归卷积神经网络的损失函数为：
其中，N表示样本数目，为初始回归损失，/>为双向回归损失，λ是预设的调节因子；其中/>和/>均使用均方误差(MSE)计算，具体计算公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011166159.2A CN112528731B (zh) | 2020-10-27 | 2020-10-27 | 基于双回归卷积神经网络的平面波波束合成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011166159.2A CN112528731B (zh) | 2020-10-27 | 2020-10-27 | 基于双回归卷积神经网络的平面波波束合成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112528731A CN112528731A (zh) | 2021-03-19 |
| CN112528731B true CN112528731B (zh) | 2024-04-05 |
Family
ID=74978951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011166159.2A Active CN112528731B (zh) | 2020-10-27 | 2020-10-27 | 基于双回归卷积神经网络的平面波波束合成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528731B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436109B (zh) * | 2021-07-08 | 2022-10-14 | 清华大学 | 一种基于深度学习的超快高质量的平面波超声成像方法 |
| CN113520683B (zh) * | 2021-07-08 | 2023-06-16 | 中国科学技术大学 | 基于模仿学习的下肢假肢控制系统及方法 |
| CN113538249A (zh) * | 2021-09-03 | 2021-10-22 | 中国矿业大学 | 一种用于视频监控高清呈现的图像超分辨率重建方法及装置 |
| CN113888471B (zh) * | 2021-09-06 | 2022-07-12 | 国营芜湖机械厂 | 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法 |
| CN113509208B (zh) * | 2021-09-14 | 2021-11-30 | 西南石油大学 | 一种基于相位约束的超高速超声成像的重建方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108670304A (zh) * | 2018-06-06 | 2018-10-19 | 东北大学 | 一种基于改进dmas算法的超声平面波成像方法 |
| CN110279430A (zh) * | 2019-06-26 | 2019-09-27 | 北京交通大学 | 基于虚拟多角度复合的平面超声波成像处理方法及装置 |
| CN110477947A (zh) * | 2019-08-14 | 2019-11-22 | 中国科学院苏州生物医学工程技术研究所 | 基于深度学习的平面波波束合成方法、系统、存储介质、设备 |
| EP3581961A1 (en) * | 2018-06-13 | 2019-12-18 | Technische Universität München | Method and apparatus for ultrasound imaging with improved beamforming |
| CN110930317A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 一种基于卷积神经网络的鬼成像方法 |
-
2020
- 2020-10-27 CN CN202011166159.2A patent/CN112528731B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108670304A (zh) * | 2018-06-06 | 2018-10-19 | 东北大学 | 一种基于改进dmas算法的超声平面波成像方法 |
| EP3581961A1 (en) * | 2018-06-13 | 2019-12-18 | Technische Universität München | Method and apparatus for ultrasound imaging with improved beamforming |
| CN110279430A (zh) * | 2019-06-26 | 2019-09-27 | 北京交通大学 | 基于虚拟多角度复合的平面超声波成像处理方法及装置 |
| CN110477947A (zh) * | 2019-08-14 | 2019-11-22 | 中国科学院苏州生物医学工程技术研究所 | 基于深度学习的平面波波束合成方法、系统、存储介质、设备 |
| CN110930317A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 一种基于卷积神经网络的鬼成像方法 |
Non-Patent Citations (1)
| Title |
|---|
| 叶为镪 ; 郭宁 ; 王丛知 ; 黎国锋 ; 徐长喜 ; 梁柳嫦 ; 邱维宝 ; .基于超声平面波的功率多普勒成像方法研究.集成技术.2015,(第03期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112528731A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112528731B (zh) | 基于双回归卷积神经网络的平面波波束合成方法及系统 | |
| CN102920478B (zh) | 一种合成聚焦的便携式b型超声成像方法 | |
| US11307297B2 (en) | Method and device for ultrasonic imaging by synthetic focusing | |
| US20210132223A1 (en) | Method and Apparatus for Ultrasound Imaging with Improved Beamforming | |
| CN108836389B (zh) | 平面波相关点相干自适应波束合成成像方法 | |
| CN110477951B (zh) | 基于宽频带声学超材料的超快复合平面波成像方法 | |
| CN109444901A (zh) | 一种异构环境下多子阵sas子孔径成像方法 | |
| US12061257B2 (en) | Methods to maintain image quality in ultrasound imaging at reduced cost, size, and power | |
| US10846569B2 (en) | Method and systems for scan conversion with higher resolution | |
| WO2020010351A1 (en) | Systems and methods for generating and estimating unknown and unacquired ultrasound data | |
| CN104688273A (zh) | 基于cpu+gpu异构架构的超高速超声成像装置及方法 | |
| CN105411626A (zh) | 一种基于超声ct的合成孔径成像方法及系统 | |
| CN111856474B (zh) | 一种基于子阵的空时域条件相干系数超声成像方法 | |
| Song et al. | Efficient through-wall human pose reconstruction using UWB MIMO radar | |
| US11903763B2 (en) | Methods and system for data transfer for ultrasound acquisition with multiple wireless connections | |
| CN115990034B (zh) | 一种随机空间采样的超快超声血流成像方法及系统 | |
| Sciallero et al. | Wideband 2-D sparse array optimization combined with multiline reception for real-time 3-D medical ultrasound | |
| Hahne et al. | Learning super-resolution ultrasound localization microscopy from radio-frequency data | |
| CN103584886B (zh) | 一种基于相位相干信息的自适应变迹方法 | |
| CN110058247B (zh) | 一种合成孔径声呐实时成像的方法 | |
| CN115768356A (zh) | 用于超声成像中减少数据传输的方法和系统 | |
| CN108318883B (zh) | 一种基于全频谱换能器自然加权的距离向计算方法 | |
| Wang et al. | Generalized sidelobe canceller beamforming method for ultrasound imaging | |
| CN115063444B (zh) | 一种自适应接收变迹系统及方法 | |
| CN110490869B (zh) | 一种超声图像对比度和横向分辨率优化方法 |
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 |