CN114839637A - 一种基于压缩感知的合成发射孔径cmut超声成像方法 - Google Patents
一种基于压缩感知的合成发射孔径cmut超声成像方法 Download PDFInfo
- Publication number
- CN114839637A CN114839637A CN202210413151.4A CN202210413151A CN114839637A CN 114839637 A CN114839637 A CN 114839637A CN 202210413151 A CN202210413151 A CN 202210413151A CN 114839637 A CN114839637 A CN 114839637A
- Authority
- CN
- China
- Prior art keywords
- cmut
- array
- ultrasonic imaging
- aperture
- synthetic
- 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.)
- Pending
Links
- 238000012285 ultrasound imaging Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 239000000523 sample Substances 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 2
- 238000002604 ultrasonography Methods 0.000 abstract description 11
- 238000005259 measurement Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 6
- 210000000481 breast Anatomy 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
- G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
- G01S15/8997—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using synthetic aperture techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于压缩感知的合成发射孔径CMUT超声成像方法，属于CMUT超声成像技术领域。该方法具体包括如下步骤：首先搭建CMUT超声成像系统，通过合成发射孔径对CMUT超声阵列进行发射，利用遗传算法对接收阵列进行最优阵元位置选取，获取被测物的原始CMUT阵列回波数据；然后基于压缩感知理论对获取的原始CMUT阵列回波数据进行稀疏化，并利用测量矩阵和重建算法对原始阵列回波数据进行完备数据集恢复。本发明方法一定程度上减少了CMUT超声成像所需数据量，能较好地结合压缩感知理论利用合成发射孔径方式对CMUT超声成像图进行重建恢复，进一步降低CMUT超声成像系统的复杂度。
Description
技术领域
本发明涉及CMUT超声成像技术领域，具体为一种压缩感知的合成发射孔径CMUT超声成像方法。
背景技术
合成发射孔径成像是当前超声成像领域中用于提高信噪比、改善超声成像质量的一种方法。合理的合成发射孔径方式，可以有效提高CMUT超声成像质量，但由于发射孔径的动态移动，使得每次产生的CMUT超声回波数据量非常大，间接影响了成像帧率和硬件复杂度。
通过压缩感知理论使得大容量高效数据存储的问题得到有效解决，压缩感知理论可从远低于奈奎斯特采样定理要求的采样数据中重建出原始数据。通过压缩感知理论与合成发射孔径相结合的方式，解决了合成发射孔径方式导致的大容量数据存储问题，可获得高分辨率和对比度的CMUT超声图像。目前国内在CMUT超声成像技术领域针对合成发射孔径与压缩感知理论相结合的研究还很少，其研究开发空间较大，相关研究成果对于CMUT超声高分辨率成像技术具有重要研究意义。
发明内容
本发明为了解决CMUT超声成像中大容量高效数据存储的问题，提出一种基于压缩感知的合成发射孔径CMUT超声成像方法。
本发明是通过如下技术方案来实现的：一种基于压缩感知的合成发射孔径CMUT超声成像方法，包括如下步骤：
a)搭建CMUT超声成像系统，通过合成发射孔径对CMUT超声阵列进行发射，利用遗传算法对接收阵列进行最优阵元位置选取，CMUT超声成像系统由计算机、CMUT线阵探头和数据采集处理系统组成；其具体设置模式为：CMUT超声探头发射时，发射孔径阵元数量固定，每发射一次后，依次向后移动一个阵元至结束；CMUT超声探头接收时，设定接收阵元数量，通过遗传算法对接收阵列进行最优阵元位置选取，确定接收阵元位置；使用CMUT线阵探头对被测物检测完毕后，获取被测物的原始CMUT阵列回波数据；
b)利用压缩感知理论对接收到的原始CMUT阵列回波数据进行离散小波变换，选取随机高斯矩阵作为进行完备数据集恢复的传感矩阵，选取正交匹配追踪算法作为利用压缩感知进行CMUT超声图像的重建算法。
c)通过正交匹配追踪算法，利用压缩感知理论对处理后的CMUT阵列回波数据进行CMUT超声成像：选取步骤b)选取的随机高斯矩阵和正交匹配追踪算法，对接收到的原始CMUT阵列回波数据进行离散小波变换，利用压缩感知理论恢复出未接收阵元的阵列数据，从而形成CMUT阵列完备数据集，利用恢复的CMUT阵列完备数据集进行CMUT超声成像；计算CMUT超声成像的均方误差NRMSE，峰值信噪比PSNR，结构相似性SSIM，与全阵元接收模式下的CMUT成像结果进行对比并分析。
与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于压缩感知的合成发射孔径CMUT超声成像方法：①利用合成发射孔径成像方式，能有效地提高CMUT超声信号信噪比、改善CMUT超声成像质量。②通过压缩感知理论使得合成发射孔径成像中大容量数据存储的问题得到有效解决。③通过压缩感知理论与合成发射孔径相结合的方式，结果证实本发明提出的一种基于压缩感知的合成发射孔径CMUT超声成像方法，能利用合成发射孔径成像方式，在采样过程中利用较少的采样点，最终可恢复出高分辨率和对比度的CMUT超声图像。
附图说明
图1为一种基于压缩感知的合成发射孔径CMUT超声成像方法的流程图。
图2为CMUT超声乳腺成像检测系统的结构示意图。
图3为CMUT阵列发射和接收最优阵元位置选取示意图。
具体实施方式
为使本发明的目的、技术方案和效果更加清楚，下面结合附图和具体实例，对本发明实施方式进行详细说明。
一种基于压缩感知的合成发射孔径CMUT超声成像方法，包括如下步骤：
a)搭建CMUT超声成像系统，通过合成发射孔径对CMUT超声阵列进行发射，利用遗传算法对接收阵列进行最优阵元位置选取，CMUT超声成像系统由计算机、CMUT线阵探头和数据采集处理系统组成；其具体设置模式为：CMUT超声探头发射时，发射孔径阵元数量固定，每发射一次后，依次向后移动一个阵元至结束；CMUT超声探头接收时，设定接收阵元数量，通过遗传算法对接收阵列进行最优阵元位置选取，确定接收阵元位置；使用CMUT线阵探头对被测物检测完毕后，获取被测物的原始CMUT阵列回波数据；
b)利用压缩感知理论对接收到的原始CMUT阵列回波数据进行离散小波变换，选取随机高斯矩阵作为进行完备数据集恢复的传感矩阵，选取正交匹配追踪算法作为利用压缩感知进行CMUT超声图像的重建算法。
c)通过正交匹配追踪算法，利用压缩感知理论对处理后的CMUT阵列回波数据进行CMUT超声成像：选取步骤b)选取的随机高斯矩阵和正交匹配追踪算法，对接收到的原始CMUT阵列回波数据进行离散小波变换，利用压缩感知理论恢复出未接收阵元的阵列数据，从而形成CMUT阵列完备数据集，利用恢复的CMUT阵列完备数据集进行CMUT超声成像；计算CMUT超声成像的均方误差NRMSE，峰值信噪比PSNR，结构相似性SSIM，与全阵元接收模式下的CMUT成像结果进行对比并分析。
本实施例搭建CMUT超声乳腺成像系统，获取被测乳腺模型的原始CMUT阵列回波数据用于后续分析，具体步骤如下；
a1)搭建CMUT超声成像系统，所述CMUT超声成像系统由计算机、CMUT线阵探头和数据采集处理系统组成；被测乳腺模型中分布若干模拟乳腺肿瘤。
a2)发射和接收最优阵元位置选取设置具体为：CMUT超声探头发射时，发射孔径阵元数量固定，每发射一次后，依次向后移动一个阵元至结束；CMUT超声探头接收时，设定接收阵元数量，通过遗传算法对接收阵列进行最优阵元位置选取，确定接收阵元位置。
a3)具体采集数据过程为：使用CMUT线阵探头对被测乳腺模型进行检测，通过计算机对CMUT阵列发射和接收最优阵元位置进行设置，检测完毕后，获取被测模型的原始CMUT阵列回波数据。
a4)本实施方案中对被测模型、CMUT线阵探头及数据采集处理系统的型号没有限制，能满足上述数据采集过程要求即可。
b)选取压缩感知中的稀疏基、传感矩阵和恢复重建算法，具体为：
b1)对原始CMUT阵列回波数据使用离散小波变换进行稀疏化；
b2)选取随机高斯矩阵作为进行完备数据集恢复的传感矩阵；
构造一个M×N大小的矩阵Φ，使Φ中的每一个元素独立的服从均值为0，方差为1/M的高斯分布，即
b3)选取正交匹配追踪算法作为利用压缩感知进行CMUT超声图像的重建算法。
c)利用压缩感知理论恢复完备数据集，然后进行CMUT超声成像，并对恢复后的CMUT超声图像进行评估；
c1)利用压缩感知理论恢复除未接收阵元的阵列数据，从而形成CMUT阵列完备数据集，利用恢复的CMUT阵列完备数据集进行CMUT超声成像；
c2)计算CMUT超声成像的均方误差NRMSE，峰值信噪比PSNR，结构相似性SSIM；
归一化均方根误差NRMSE的定义为：
峰值信噪比PSNR定义为：
其中：MAXI是表示图像点颜色的最大数值，MSE是均方误差，其定义为：
结构相似度SSIM的定义为：
其中μx是x的平均值，μy是y的平均值，
是x的方差，
是y的方差，σxy是x和y的协方差，C1、C2是用来维持稳定的常数。
c3)与全阵元接收模式下的CMUT成像结果进行对比分析：
以全阵列接收模式下的CMUT成像结果为标准，通过计算得出压缩率为50％的条件下合成发射孔径CMUT超声成像恢复结果的均方误差NRMSE为0.897，峰值信噪比PSNR为26.05，结构相似性SSIM为0.49。
本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (4)
1.一种压缩感知的合成发射孔径CMUT超声成像方法，其特征在于：包括如下步骤：
a)搭建CMUT超声成像系统，通过合成发射孔径对CMUT超声阵列进行发射，利用遗传算法对接收阵列进行最优阵元位置选取，获取被测物的原始CMUT阵列回波数据；
b)利用压缩感知理论对接收到的原始CMUT阵列回波数据进行离散小波变换，选取随机高斯矩阵作为进行完备数据集恢复的传感矩阵，选取正交匹配追踪算法作为利用压缩感知进行CMUT超声成像的重建算法；
c)通过正交匹配追踪算法，利用压缩感知理论对处理后的CMUT阵列回波数据进行CMUT超声成像。
2.根据权利要求1所述的一种压缩感知的合成发射孔径CMUT超声成像方法，其特征在于：步骤a)中，所述CMUT超声成像系统由计算机、CMUT线阵探头和数据采集处理系统组成；具体采集数据过程为：使用CMUT线阵探头对被测物进行检测，通过计算机对CMUT阵列发射和接收最优阵元位置进行设置，检测完毕后，获取被测物的原始CMUT阵列回波数据。
3.根据权利要求1所述的一种压缩感知的合成发射孔径CMUT超声成像方法，其特征在于：步骤a)中，通过合成发射孔径对CMUT超声阵列进行发射，利用遗传算法对接收阵列进行最优阵元位置选取，其具体设置模式为：CMUT超声探头发射时，发射孔径阵元数量固定，每发射一次后，依次向后移动一个阵元至结束；CMUT超声探头接收时，设定接收阵元数量，通过遗传算法对接收阵列进行最优阵元位置选取，确定接收阵元位置。
4.根据权利要求1所述的一种压缩感知的合成发射孔径CMUT超声成像方法，其特征在于：步骤c)中，选取步骤b)选取的随机高斯矩阵和正交匹配追踪算法，对接收到的原始CMUT阵列回波数据进行离散小波变换，利用压缩感知理论恢复出未接收阵元的阵列数据，从而形成CMUT阵列完备数据集，利用恢复的CMUT阵列完备数据集进行CMUT超声成像；计算CMUT超声成像的均方误差NRMSE，峰值信噪比PSNR，结构相似性SSIM，与全阵元接收模式下的CMUT成像结果进行对比并分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210413151.4A CN114839637A (zh) | 2022-04-20 | 2022-04-20 | 一种基于压缩感知的合成发射孔径cmut超声成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210413151.4A CN114839637A (zh) | 2022-04-20 | 2022-04-20 | 一种基于压缩感知的合成发射孔径cmut超声成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114839637A true CN114839637A (zh) | 2022-08-02 |
Family
ID=82565893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210413151.4A Pending CN114839637A (zh) | 2022-04-20 | 2022-04-20 | 一种基于压缩感知的合成发射孔径cmut超声成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114839637A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116058869A (zh) * | 2023-01-09 | 2023-05-05 | 飞依诺科技股份有限公司 | 超声设备的合成孔径方法及装置 |
-
2022
- 2022-04-20 CN CN202210413151.4A patent/CN114839637A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116058869A (zh) * | 2023-01-09 | 2023-05-05 | 飞依诺科技股份有限公司 | 超声设备的合成孔径方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106780372B (zh) | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 | |
| CN112116601B (zh) | 基于生成对抗残差网络的压缩感知采样重建方法及系统 | |
| CN110619296B (zh) | 一种基于奇异分解的信号降噪方法 | |
| CN113009447B (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
| WO2020206755A1 (zh) | 一种基于射线理论的超声ct图像重建方法及系统 | |
| CN102389309A (zh) | 基于压缩感知理论的磁共振图像重建的方法 | |
| CN112419203B (zh) | 基于对抗网络的扩散加权图像压缩感知恢复方法及装置 | |
| CN109712077B (zh) | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 | |
| CN110007355A (zh) | 一种卷积自编码器及物体内部异常的检测方法和装置 | |
| CN105787970B (zh) | 基于稀疏度拟合的图像自适应压缩感知方法 | |
| CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
| CN114839637A (zh) | 一种基于压缩感知的合成发射孔径cmut超声成像方法 | |
| CN113504306B (zh) | 一种基于超声相控阵低秩矩阵恢复的钢轨缺陷检测方法 | |
| WO2020020002A1 (zh) | 多量测压缩感知的感知矩阵构建方法、系统及存储介质 | |
| CN116843825B (zh) | 一种渐进式cbct稀疏视角重建方法 | |
| CN114529519B (zh) | 基于多尺度深度空洞残差网络的图像压缩感知重建方法及系统 | |
| CN109934882B (zh) | 基于动态挑选多假设匹配块的视频压缩感知重构方法 | |
| CN112818762B (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
| CN108986074B (zh) | 一种基于分块稀疏算法的煤矿井下图像处理方法 | |
| CN112907748B (zh) | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 | |
| CN103091656A (zh) | 基于正则化约束多项式拟合磁共振线圈灵敏度的计算方法 | |
| CN118840444A (zh) | 一种稀疏角度下基于正则化与机器学习的ct重建算法 | |
| CN116596778A (zh) | 一种基于无监督学习模型的cmut超声图像质量增强方法 | |
| CN116228520A (zh) | 基于Transformer生成对抗网络的图像压缩感知重建方法及系统 | |
| CN111462077A (zh) | 一种利用非线性信息熵定征生物组织的方法 |
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 |