CN113509208A - 一种基于相位约束的超高速超声成像的重建方法 - Google Patents

一种基于相位约束的超高速超声成像的重建方法 Download PDF

Info

Publication number
CN113509208A
CN113509208A CN202111072095.4A CN202111072095A CN113509208A CN 113509208 A CN113509208 A CN 113509208A CN 202111072095 A CN202111072095 A CN 202111072095A CN 113509208 A CN113509208 A CN 113509208A
Authority
CN
China
Prior art keywords
data
plane wave
network
beam synthesis
wave beam
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.)
Granted
Application number
CN202111072095.4A
Other languages
English (en)
Other versions
CN113509208B (zh
Inventor
彭博
左昊
罗建文
张经科
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.)
Tsinghua University
Southwest Petroleum University
Original Assignee
Tsinghua University
Southwest Petroleum University
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 Tsinghua University, Southwest Petroleum University filed Critical Tsinghua University
Priority to CN202111072095.4A priority Critical patent/CN113509208B/zh
Publication of CN113509208A publication Critical patent/CN113509208A/zh
Application granted granted Critical
Publication of CN113509208B publication Critical patent/CN113509208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开一种基于相位约束的超高速超声成像的重建方法，包括：通过线阵探头的超声机器获得平面波通道数据；对通道数据进行波束合成，划分训练集和测试集；将训练集输入生成器网络进行训练，并根据测试集的效果调整直到重建效果达到要求；将单角度平面波RF数据输入步骤3中训练好的生成器网络中，输出结果即为重建图像的结果。本发明的优点在于：不需要发射多个角度的平面波进行相干复合来提升超声图像的质量，仅通过单次发射就可以得到接近75个角度相干复合的高质量的图像，帧率理论上可以达到75个角度相干复合的75倍，并且保留有接近75个角度相干复合平面波的相位信息，从而使在RF数据上进行二维位移追踪效果几乎不受影响。

Description

一种基于相位约束的超高速超声成像的重建方法
技术领域
本发明涉及一种基于相位约束的超高速超声成像的重建方法，属于基于超声平面波的超高速超声成像技术领域。
背景技术
超声成像以其无创、经济、实时显示等优点，被广泛应用于临床诊断和治疗评估。但是传统的超声成像采用聚焦波扫描，虽然可以获得非常高质量的B模式图像，但是帧率受到很大限制，往往只能达到每秒30到40帧。为了研究人体中快速变化的组织运动，需要更高帧率的成像方法。例如，在心血管系统中，需要数百赫兹的帧频才能准确分析组织运动和血流模式。超高速超声成像可以显著提高位移估计的鲁棒性和灵敏度。超高速超声成像可以通过单次发射和接收未聚焦的发射波前，如平面波和发散波来重建全视图图像。这使得能够以几千赫兹的非常高的帧速率对大组织区域进行成像。然而，由于没有聚焦扫描，采集到的图像质量低，严重影响了水平分辨率和对比度。低质量图像还限制了超高速超声成像模式中涉及的后续位移估计方法的准确性。提高超高速超声成像质量的最先进方法是将一系列由多个方向发射的未聚焦波前重建的低质量图像相干复合。几十个方向的平面波相干合成可以实现超过聚焦成像的图像质量。但是，当需要以非常高的帧率分析人体的运动时，就需要考虑图像质量与分析运动所需的最小帧率之间的矛盾。此外，在对快速移动区域进行成像时，相干合成会受到强烈运动伪影的影响。因此，提高单角度采集的超声图像质量可以很好地解决这些问题。
发明内容
为了克服现有技术中的问题，本发明提供一种基于相位约束的超高速超声成像的重建方法。
本发明解决上述技术问题所提供的技术方案是：一种基于相位约束的超高速超声成像的重建方法，包括：
步骤S10、通过线阵探头的超声扫描机器获取75个转向角度的平面波通道数据；
步骤S20、对平面波通道数据的每一个转向角度的平面波进行延时叠加波束合成，获得平面波通道数据的75个转向角度的平面波波束合成数据；
步骤S30、对平面波通道数据的75个转向角度的平面波波束合成数据进行相干复合，获得75个角度的相干复合数据；
步骤S40、对平面波通道数据的中心0角度平面波波束合成数据、75个角度的相干复合数据进行归一化处理，获得中心0角度平面波波束合成归一化数据、相干复合归一化数据；
步骤S50、对相干复合归一化数据进行希尔伯特变换，得到变换后的实部与虚部数据；
步骤S60、分别将步骤S40得到的中心0角度平面波波束合成归一化数据、相干复合归一化数据和步骤S50得到的实部与虚部数据作为训练集和测试集；
步骤S70、将训练集输入到生成器为U-net网络的DCGAN网络中进行训练，得到重建射频数据的生成器网络，使用测试集测试生成器网络的重建效果，并根据重建效果调节生成器损失函数的比例系数，得到训练好的生成器网络；
步骤S80、将单角度平面波波束合成之后的射频数据输入训练好的生成器网络中，输出的结果即为重建之后的射频数据。
进一步的技术方案是，所述平面波通道数据扫描500帧，每帧包含75个角度的平面波，间隔在-16°到16°之间。
进一步的技术方案是，所述步骤S60中步骤S40得到的中心0角度平面波波束合成归一化数据、相干复合归一化数据和步骤S50得到的实部与虚部数据按9:1分为训练集和测试集。
进一步的技术方案是，所述步骤S70的具体过程为：
步骤S71、将步骤S40得到的中心0角度平面波波束合成归一化数据输入U-net网络，将U-net网络输出的结果进行希尔伯特变换，得到变换后的实部和虚部数据；
步骤S72、将步骤S40得到的中心0角度平面波波束合成归一化数据、相干复合归一化数据分别输入到判别器网络当中，分别得到判别器网络对两种射频数据的输出结果；
步骤S73、将步骤S71中得到的实部和虚部数据和步骤S50得到的实部与虚部数分别计算对应的平均绝对误差，得到的结果作为相位约束用于生成器网络的反向传播过程中；再将判别器对于步骤S72中的输出结果同样用于生成器网络的反向传播过程中；
步骤S74、交替训练判别器网络与生成器网络，确定生成器损失函数的最优比例系数，以及得到训练好的生成器网络。
进一步的技术方案是，所述生成器的损失函数如下：
Figure 124844DEST_PATH_IMAGE001
式中：LPC为相位约束，l GAN为判别器损失，l R mae 为生成器输出结果与75个角度平面波相干复合后的MAE值，l I mae 为生成器网络生成的结果经过希尔伯特变换后的虚部与75个角度平面波相干复合后希尔伯特变换后取虚部的MAE值；
Figure 427649DEST_PATH_IMAGE002
为75个角度平面波相干复合的数据，ISR为单角度平面波数据，l为损失函数，
Figure 532615DEST_PATH_IMAGE003
为生成器网络，Ii LI为75个角度相干复合并且计算希尔伯特变换后取虚部的数据，
Figure 680700DEST_PATH_IMAGE004
为希尔伯特变换，
Figure 298763DEST_PATH_IMAGE005
为判别器，n为采样点总数。
本发明具有以下有益效果：不需要发射多个角度的平面波进行相干复合来提升超声图像的质量，仅通过单次发射就可以得到接近75个角度相干复合的高质量的图像，帧率理论上达到了75个角度相干复合的75倍，并且保留有接近75个角度相干复合平面波的相位信息，因此在射频数据上进行二维位移追踪效果几乎不受影响。
附图说明
图1为本发明流程图；
图2为本发明生成器网络模型图；
图3为本发明判别器网络模型图；
图4为仿真数据的B模式图像和二维位移估计结果对比图；
图5为使用不同方法和位移场估计的位移图之间的RMSE [平均值±标准差]定量图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明的一种基于相位约束的超高速超声成像的重建方法，依次包括下列步骤：
步骤S10、通过线阵探头的超声扫描机器扫描人体颈动脉横、纵截面、肌肉组织获取平面波通道数据，并且模拟仿真压缩了2%、3%、4%、5%的4个小球；每组数据扫描100帧，每帧包含75个转向平面波，间隔在-16°到16°之间；
步骤S20、对平面波通道数据的每一个转向角度的平面波进行延时叠加波束合成，获得平面波通道数据的75个转向角度的平面波波束合成数据；
步骤S30、对平面波通道数据的75个转向角度的平面波波束合成数据进行相干复合，获得75个相干复合数据；
步骤S40、对平面波通道数据的中心0角度平面波波束合成数据、75个角度的相干复合数据进行归一化处理，获得中心0角度平面波波束合成归一化数据、相干复合归一化数据；
步骤S50、对相干复合归一化数据进行希尔伯特变换，得到变换后的实部与虚部数据；
步骤S60、分别将步骤S40得到的中心0角度平面波波束合成归一化数据、相干复合归一化数据和步骤S50得到的实部与虚部数据按9:1分为训练集和测试集；
步骤S70、将步骤S40得到的中心0角度平面波波束合成归一化数据输入U-net网络，将U-net网络输出的结果进行希尔伯特变换，得到变换后的实部和虚部数据；
步骤S80、将步骤S40得到的中心0角度平面波波束合成归一化数据、相干复合归一化数据分别输入到判别器网络当中，分别得到判别器网络对两种射频数据的输出结果；
步骤S90、将步骤S70中得到的实部和虚部数据和步骤S50得到的实部与虚部数分别计算对应的平均绝对误差，得到的结果作为相位约束用于生成器网络的反向传播过程中；再将判别器对于步骤S80中的输出结果同样用于生成器网络的反向传播过程中；
其中生成器的损失函数l如下：
Figure 647836DEST_PATH_IMAGE001
式中：LPC为相位约束，l GAN为判别器损失，l R mae 为生成器输出结果与75个角度平面波相干复合后的MAE值，l I mae 为生成器网络生成的结果经过希尔伯特变换后的虚部与75个角度平面波相干复合后希尔伯特变换后取虚部的MAE值；
Figure 351350DEST_PATH_IMAGE006
为75个角度平面波相干复合的数据，ISR为单角度平面波数据，l为损失函数，
Figure 303125DEST_PATH_IMAGE003
为生成器网络，Ii LI为75个角度相干复合并且计算希尔伯特变换后取虚部的数据，
Figure 165908DEST_PATH_IMAGE004
为希尔伯特变换，
Figure 217040DEST_PATH_IMAGE007
为判别器，n为采样点总数；
步骤S100、交替训练判别器网络与生成器网络，确定生成器损失函数的最优比例系数，以及得到训练好的生成器网络；
步骤S110、将单角度平面波波束合成之后的射频数据输入训练好的生成器网络中，输出的结果即为重建之后的射频数据。
以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (4)

1.一种基于相位约束的超高速超声成像的重建方法，其特征在于，包括：
步骤S10、通过线阵探头的超声扫描机器获取75个转向角度的平面波通道数据；
步骤S20、对平面波通道数据的每一个转向角度的平面波进行延时叠加波束合成，获得平面波通道数据的75个转向角度的平面波波束合成数据；
步骤S30、对平面波通道数据的75个转向角度的平面波波束合成数据进行相干复合，获得75个角度的相干复合数据；
步骤S40、对平面波通道数据的中心0角度平面波波束合成数据、75个角度相干复合数据进行归一化处理，获得中心0角度平面波波束合成归一化数据、相干复合归一化数据；
步骤S50、对相干复合归一化数据进行希尔伯特变换，得到变换后的实部与虚部数据；
步骤S60、分别将步骤S40得到的中心0角度平面波波束合成归一化数据、相干复合归一化数据和步骤S50得到的实部与虚部数据作为训练集和测试集；
步骤S70、将训练集输入到生成器为U-net网络的DCGAN网络中进行训练，得到重建射频数据的生成器网络，使用测试集测试生成器网络的重建效果，并根据重建效果调节生成器损失函数的比例系数，得到训练好的生成器网络；
步骤S80、将单角度平面波波束合成之后的射频数据输入训练好的生成器网络中，输出的结果即为重建之后的射频数据。
2.根据权利要求1所述的一种基于相位约束的超高速超声成像的重建方法，其特征在于，所述平面波通道数据扫描500或者更多帧，每帧包含75个角度平面波，间隔在-16°到16°之间。
3.根据权利要求1所述的一种基于相位约束的超高速超声成像的重建方法，其特征在于，所述步骤S60中步骤S40得到的中心0角度平面波波束合成归一化数据、相干复合归一化数据和步骤S50得到的实部与虚部数据按9:1分为训练集和测试集。
4.根据权利要求1所述的一种基于相位约束的超高速超声成像的重建方法，其特征在于，所述步骤S70的具体过程为：
步骤S71、将步骤S40得到的中心0角度平面波波束合成归一化数据输入U-net网络，将U-net网络输出的结果进行希尔伯特变换，得到变换后的实部和虚部数据；
步骤S72、将步骤S40得到的中心0角度平面波波束合成归一化数据、相干复合归一化数据分别输入到判别器网络当中，分别得到判别器网络对两种射频数据的输出结果；
步骤S73、将步骤S71中得到的实部和虚部数据和步骤S50得到的实部与虚部数分别计算对应的平均绝对误差，得到的结果作为相位约束用于生成器网络的反向传播过程中；再将判别器对于步骤S72中的输出结果同样用于生成器网络的反向传播过程中；
步骤S74、交替训练判别器网络与生成器网络，确定生成器损失函数的最优比例系数，以及得到训练好的生成器网络。
CN202111072095.4A 2021-09-14 2021-09-14 一种基于相位约束的超高速超声成像的重建方法 Active CN113509208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111072095.4A CN113509208B (zh) 2021-09-14 2021-09-14 一种基于相位约束的超高速超声成像的重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111072095.4A CN113509208B (zh) 2021-09-14 2021-09-14 一种基于相位约束的超高速超声成像的重建方法

Publications (2)

Publication Number Publication Date
CN113509208A true CN113509208A (zh) 2021-10-19
CN113509208B CN113509208B (zh) 2021-11-30

Family

ID=78063348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111072095.4A Active CN113509208B (zh) 2021-09-14 2021-09-14 一种基于相位约束的超高速超声成像的重建方法

Country Status (1)

Country Link
CN (1) CN113509208B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101317775A (zh) * 2008-07-01 2008-12-10 徐州雷奥医疗设备有限公司 一种新的超声医学成像方法
KR20110067274A (ko) * 2009-12-14 2011-06-22 삼성메디슨 주식회사 초음파 3차원 영상 복원 방법 및 그 초음파 시스템
CN103403567A (zh) * 2011-03-01 2013-11-20 皇家飞利浦有限公司 涉及图像比约束重建的加速mr温度测定绘图
CN104688271A (zh) * 2015-03-27 2015-06-10 清华大学 合成聚焦超声成像方法和装置
CN106371201A (zh) * 2016-11-03 2017-02-01 清华大学 基于计算鬼成像的傅里叶重叠关联成像系统及方法
US20180259656A1 (en) * 2017-03-13 2018-09-13 Parto Negar Persia Co. Single photon emission computed tomography imaging with a spinning parallel-slat collimator
CN109766646A (zh) * 2019-01-16 2019-05-17 北京大学 一种基于稀疏通道回波数据重建的超声成像方法及装置
CN109833061A (zh) * 2017-11-24 2019-06-04 无锡祥生医疗科技股份有限公司 基于深度学习的优化超声成像系统参数的方法
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
CN110742645A (zh) * 2019-09-29 2020-02-04 深圳大学 多模成像系统、多模成像方法及存储介质
CN111860664A (zh) * 2020-07-24 2020-10-30 大连东软教育科技集团有限公司 超声平面波复合成像方法、装置及存储介质
CN112528731A (zh) * 2020-10-27 2021-03-19 西安交通大学 基于双回归卷积神经网络的平面波波束合成方法及系统
EP3817666A1 (en) * 2018-07-06 2021-05-12 Mayo Foundation for Medical Education and Research Systems and methods for generating and estimating unknown and unacquired ultrasound data

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101317775A (zh) * 2008-07-01 2008-12-10 徐州雷奥医疗设备有限公司 一种新的超声医学成像方法
KR20110067274A (ko) * 2009-12-14 2011-06-22 삼성메디슨 주식회사 초음파 3차원 영상 복원 방법 및 그 초음파 시스템
CN103403567A (zh) * 2011-03-01 2013-11-20 皇家飞利浦有限公司 涉及图像比约束重建的加速mr温度测定绘图
CN104688271A (zh) * 2015-03-27 2015-06-10 清华大学 合成聚焦超声成像方法和装置
CN106371201A (zh) * 2016-11-03 2017-02-01 清华大学 基于计算鬼成像的傅里叶重叠关联成像系统及方法
US20180259656A1 (en) * 2017-03-13 2018-09-13 Parto Negar Persia Co. Single photon emission computed tomography imaging with a spinning parallel-slat collimator
US20200345330A1 (en) * 2017-11-24 2020-11-05 Chison Medical Technologies Co., Ltd. Method for optimizing ultrasonic imaging system parameter based on deep learning
CN109833061A (zh) * 2017-11-24 2019-06-04 无锡祥生医疗科技股份有限公司 基于深度学习的优化超声成像系统参数的方法
EP3817666A1 (en) * 2018-07-06 2021-05-12 Mayo Foundation for Medical Education and Research Systems and methods for generating and estimating unknown and unacquired ultrasound data
CN109766646A (zh) * 2019-01-16 2019-05-17 北京大学 一种基于稀疏通道回波数据重建的超声成像方法及装置
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
CN110742645A (zh) * 2019-09-29 2020-02-04 深圳大学 多模成像系统、多模成像方法及存储介质
CN111860664A (zh) * 2020-07-24 2020-10-30 大连东软教育科技集团有限公司 超声平面波复合成像方法、装置及存储介质
CN112528731A (zh) * 2020-10-27 2021-03-19 西安交通大学 基于双回归卷积神经网络的平面波波束合成方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LUO, JIANWEN: "Doppler-Based Motion Compensation Strategies for 3-D Diverging Wave Compounding and Multiplane-Transmit Beamforming: A Simulation Study", 《IEEE TRANSACTIONS ON ULTRASONICS FERROELECTRICS AND FREQUENCY CONTROL》 *
何琼: "超高速超声成像的研究进展", 《中国医学影像技术》 *
罗建文: "平面波超声成像中的波束合成方法研究进展", 《应用声学》 *

Also Published As

Publication number Publication date
CN113509208B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
US11030780B2 (en) Ultrasound speckle reduction and image reconstruction using deep learning techniques
CN103536316B (zh) 一种空时平滑相干因子类自适应超声成像方法
Zhou et al. High spatial–temporal resolution reconstruction of plane-wave ultrasound images with a multichannel multiscale convolutional neural network
Shin et al. Estimation of average speed of sound using deconvolution of medical ultrasound data
CN104739448A (zh) 一种超声成像方法及装置
Simson et al. Deep learning beamforming for sub-sampled ultrasound data
JP4320392B2 (ja) 高歪みレート除去フィルタ処理のための方法及び装置
Liu et al. Compressed sensing based synthetic transmit aperture imaging: Validation in a convex array configuration
Liu et al. Compressed sensing based synthetic transmit aperture for phased array using Hadamard encoded diverging wave transmissions
Nguon et al. Reconstruction for plane-wave ultrasound imaging using modified U-Net-based beamformer
CN111248858A (zh) 一种基于频域波数域的光声断层成像重建方法
CN113509208B (zh) 一种基于相位约束的超高速超声成像的重建方法
US11937977B2 (en) Compounding and non-rigid image registration for ultrasound speckle reduction
Khan et al. Phase aberration robust beamformer for planewave us using self-supervised learning
Wang et al. An easily-achieved time-domain beamformer for ultrafast ultrasound imaging based on compressive sensing
Kim et al. Learning based approach for speed-of-sound adaptive rx beamforming
Zhang et al. Ultrasound Imaging based on the Variance of a Diffusion Restoration Model
Sharifzadeh et al. Phase Aberration Correction without Reference Data: An Adaptive Mixed Loss Deep Learning Approach
Soylu et al. Machine-to-Machine Transfer Function in Deep Learning-Based Quantitative Ultrasound
Toffali et al. Improving the quality of monostatic synthetic-aperture ultrasound imaging through deep-learning-based beamforming
Pan et al. Improving axial resolution based on the deconvolution recovery method combined with adaptive weighting techniques for ultrasound imaging
US11331079B2 (en) Method and device for processing ultrasound signal data
CN106725594A (zh) 基于压缩感知的超声成像方法和终端
Gomes et al. Sparse arrays method with minimum variance for high quality image in ultrasound ultrafast imaging
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