RU2237965C2 - Method and device for digital adaptive filtration of signals - Google Patents
Method and device for digital adaptive filtration of signals Download PDFInfo
- Publication number
- RU2237965C2 RU2237965C2 RU2001122784/09A RU2001122784A RU2237965C2 RU 2237965 C2 RU2237965 C2 RU 2237965C2 RU 2001122784/09 A RU2001122784/09 A RU 2001122784/09A RU 2001122784 A RU2001122784 A RU 2001122784A RU 2237965 C2 RU2237965 C2 RU 2237965C2
- Authority
- RU
- Russia
- Prior art keywords
- amplitude
- digital
- signals
- input signal
- output
- Prior art date
Links
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
Description
Изобретение относится к радиотехнике, в частности к адаптивной фильтрации цифровых сигналов, и может найти применение в медицинской визуализации.The invention relates to radio engineering, in particular to adaptive filtering of digital signals, and may find application in medical imaging.
Известно устройство и способ для адаптивной фильтрации изображений, основанные на подобии гистограмм (Dong-Chyuan Liu, System and method for adaptive filtering of images based on similarity between histograms. United States Patent, US 005594807A, Jan. 14, 1997). Устройство состоит из процессора и запоминающего устройства, а способ включает в себя вычисление гистограммы амплитуды отраженного зондируемым объектом сигнала, ее сравнение с вычисленной гистограммой амплитуды сигнала, характеризующегося развитой структурой спекл-шумов, сглаживающую фильтрацию амплитуды сигналов в соответствии с результатами сравнения и отображение ее результатов.A device and method are known for adaptive filtering of images based on similarity between histograms. United States Patent, US 005594807A, Jan. 14, 1997). The device consists of a processor and a storage device, and the method includes calculating a histogram of the amplitude of the signal reflected by the probed object, comparing it with a calculated histogram of the signal amplitude, which has a developed speckle noise structure, smoothing the filtering of the signal amplitude in accordance with the comparison results and displaying its results.
Недостатком предложенного способа является искажение и частичная потеря информации о зондируемом объекте. Это вызвано тем, что гистограммы вычисляются в реальном времени по статистически малым выборкам данных, что определяет неустойчивость их оценки, а также характерной для данного способа потерей информации о тех элементах структуры объекта зондирования, статистические признаки которых близки к статистическим признакам спекл-шума.The disadvantage of the proposed method is the distortion and partial loss of information about the sensed object. This is because the histograms are calculated in real time from statistically small data samples, which determines the instability of their estimation, as well as the characteristic loss of information about those elements of the structure of the sensing object whose statistical features are close to the statistical characteristics of speckle noise.
Кроме того, при сглаживающей фильтрации теряется диагностическая информация, содержащаяся в самих спекл-шумах. С точки зрения медицинской диагностики спекл-шумы могут трактоваться и как шум, и как информативный диагностический сигнал в зависимости от контекста, в котором рассматривается данное изображение. В частности, правильные диагностические выводы могут быть сделаны из особенностей спекл-текстуры изображения. Поэтому при фильтрации часто необходимо удалять только неинформативную часть спекл-шумов, к которой относится, в частности, динамическая составляющей спекл-шума. Под динамической здесь понимается та часть спекл-шумов, которая изменяется при смене кадров в результате микродвижений в области зондирования и микросмещений зондирующего преобразователя.In addition, with smoothing filtering, the diagnostic information contained in the speckle noise itself is lost. From the point of view of medical diagnostics, speckle noises can be interpreted both as noise and as an informative diagnostic signal, depending on the context in which this image is considered. In particular, the correct diagnostic conclusions can be made from the characteristics of the speckle texture of the image. Therefore, when filtering, it is often necessary to remove only the non-informative part of speckle noise, which includes, in particular, the dynamic component of speckle noise. Dynamic here means that part of speckle noise that changes when frames are changed as a result of micromotion in the field of sounding and micro displacements of the probe transducer.
Известная адаптивная фильтрация для подавления спекл-шумов в ультразвуковых эхо-импульсных и других изображениях (J.C.Bamber, Adaptive filtering for redaction of speckle in ultrasonic pulse-echo and other images, UK Patent application, GB 2168482A, 12 Dec. 1985) реализуется посредством устройства, состоящего из статистического процессора, компаратора и фильтра с переменной полосой пропускания, предназначенного для сглаживания амплитуды сигналов, статистические признаки которых близки к спекл-шумовым.Known adaptive filtering for suppressing speckle noise in ultrasonic pulse echo and other images (JCBamber, Adaptive filtering for redaction of speckle in ultrasonic pulse-echo and other images, UK Patent application, GB 2168482A, 12 Dec. 1985) is implemented using a device , consisting of a statistical processor, a comparator and a filter with a variable bandwidth, designed to smooth the amplitudes of signals whose statistical features are close to speckle noise.
Недостатком данной адаптивной фильтрации является искажение и частичная потеря информации о зондируемом объекте. Это вызвано тем, что при фильтрации в реальном масштабе времени статистические признаки сигнала вычисляются по статистически малой выборке данных, что определяет неустойчивость их оценки, а также характерной для данного способа потерей информации о тех структурах объекта, статистические признаки которых близки к статистическим признакам спекл-шума. Кроме того, из-за применения сглаживающей фильтрации невозможно сохранение диагностической информации, содержащейся в самих спекл-шумах.The disadvantage of this adaptive filtering is the distortion and partial loss of information about the sensed object. This is because when filtering in real time, the statistical characteristics of the signal are calculated from a statistically small sample of data, which determines the instability of their estimation, as well as the loss of information characteristic of this method about those structures of the object whose statistical features are close to the statistical characteristics of speckle noise . In addition, due to the use of smoothing filtering, it is impossible to save the diagnostic information contained in the speckle noise itself.
Известно устройство - классификатор сигналов с адаптивной фильтрацией и нейронной сетью (S.J.Engel, Adaptive filtering neural network classifier. United States Patent, US 005761383 A, Jun. 2, 1998), которое состоит из ряда фильтров и классификатора сигналов в виде нейронной сети. Классификация сигналов и адаптивная фильтрация осуществляется посредством фильтрации сигнала рядом полосовых фильтров, после чего информация о результатах фильтрации каждым из полосовых фильтров является основой для классификации сигнала нейронной сетью. По результатам классификации определяются частотные характеристики сигнала и веса для каждого из полосовых фильтров. Адаптивная фильтрация производится путем сложения выходных сигналов фильтров с указанными весами.A device is known - a signal classifier with adaptive filtering and a neural network (S.J. Engel, Adaptive filtering neural network classifier. United States Patent, US 005761383 A, Jun. 2, 1998), which consists of a number of filters and a signal classifier in the form of a neural network. Classification of signals and adaptive filtering is carried out by filtering the signal by a number of bandpass filters, after which information about the filtering results of each of the bandpass filters is the basis for classifying a signal by a neural network. The classification results determine the frequency characteristics of the signal and weight for each of the bandpass filters. Adaptive filtering is performed by adding the output signals of the filters to the indicated weights.
Недостатком данного устройства является частичная потеря информации о зондируемом объекте. Это вызвано использованием в устройстве полосовых фильтров, статистическая точность спектральной оценки которых при работе в реальном масштабе времени неустойчива для сигналов с изменяющимися частотными характеристиками. Возможности использования в реальном масштабе времени описываемого классификатора сигналов с адаптивной фильтрацией ограничиваются также большим объемом вычислений, производимых нейронной сетью для достоверной классификации сигнала.The disadvantage of this device is a partial loss of information about the sensed object. This is caused by the use of bandpass filters in the device, the statistical accuracy of the spectral estimation of which, when operating in real time, is unstable for signals with changing frequency characteristics. The possibilities of using the described classifier of signals with adaptive filtering in real time are also limited by the large amount of calculations performed by the neural network for reliable classification of the signal.
Наиболее близким по техническому решению к предлагаемому способу является способ, изложенный в статье “Байесовское ультразвуковое зондирование объекта с частотным разделением” (J.Saniie, T.Wang, X.Jin., Frequency diverse Bayesian ultrasound flaw detection, IEEE Ultrasonics Symposium Proceedings, 1989, p.1135) и включающий тренировочный процесс для оптимального обнаружения элемента структуры объекта зондирования, задание порога принятия решений, получение посредством фильтрации ряда оценок входного сигнала, отраженного объектом зондирования, вычисление вероятностей различных гипотез относительно типа входного сигнала, вычисление отношений вероятностей и сравнение отношений вероятностей с порогами принятия решений, определение наиболее вероятной гипотезы о типе входного сигнала и отображение результатов цифровой адаптивной фильтрации сигналов.Closest to the technical solution to the proposed method is the method described in the article “Bayesian ultrasonic sounding of an object with frequency separation” (J. Sani, T. Wang, X. Jin., Frequency diverse Bayesian ultrasound flaw detection, IEEE Ultrasonics Symposium Proceedings, 1989 , p.1135) and including the training process for optimal detection of the structure element of the sensing object, setting a decision threshold, obtaining by filtering a number of estimates of the input signal reflected by the sensing object, calculating the probabilities of various hypotheses regarding itelno input signal, calculating and comparing relations probabilities of probability relations with decision thresholds, determining the most likely hypotheses about the type of input signal and displaying digital results of the adaptive filtering of signals.
Способ основан на фильтрации отраженного зондируемым объектом высокочастотного сигнала рядом полосовых фильтров. Полученные на выходе каждого из полосовых фильтров оценки входного сигнала служат для вычисления условных вероятностей того, что сигнал имеет полезную составляющую, содержащую информацию о структуре зондируемого объекта, и того, что сигнал представляет собой сигнал спекл-шума. Сравнение полученных вероятностей с учетом заранее заданного порога принятия решения о том, содержит сигнал информацию о структуре зондируемого объекта или нет, является основанием для последующей фильтрации эхо-сигнала с целью выделения его полезной частотной составляющей, несущей максимум информации о структуре отображаемого объекта.The method is based on filtering a high-frequency signal reflected by the probed object by a series of band-pass filters. The estimates of the input signal obtained at the output of each of the band-pass filters are used to calculate the conditional probabilities that the signal has a useful component containing information about the structure of the probed object and that the signal is a speckle noise signal. A comparison of the probabilities obtained, taking into account a predetermined decision threshold on whether the signal contains information about the structure of the probed object or not, is the basis for subsequent filtering of the echo signal in order to isolate its useful frequency component that carries maximum information about the structure of the displayed object.
Недостатком данного способа является частичная потеря информации о зондируемом объекте и невозможность сохранения, при необходимости, диагностически значимой составляющей спекл-шумов. Это вызвано использованием полосовых фильтров, статистическая точность спектральной оценки которых при работе в реальном масштабе времени неустойчива для сигналов с изменяющимися частотными характеристиками, а также характерной для данного способа потерей информации о тех структурах объекта, статистические признаки которых близки к статистическим признакам спекл-шума. Недостатком данного способа является также практическая невозможность его реализации в реальном масштабе времени, поскольку способ требует обработки статистических выборок данных высокочастотного сигнала, отраженного объектом зондирования.The disadvantage of this method is the partial loss of information about the sensed object and the inability to save, if necessary, a diagnostically significant component of speckle noise. This is caused by the use of bandpass filters, the statistical accuracy of the spectral estimation of which, when operating in real time, is unstable for signals with changing frequency characteristics, as well as the loss of information characteristic of this method about those structures of the object whose statistical features are close to the statistical characteristics of speckle noise. The disadvantage of this method is the practical impossibility of its implementation in real time, since the method requires the processing of statistical samples of high-frequency signal data reflected by the sensing object.
Наиболее близким по техническому решению к предлагаемому устройству является динамический цифровой фильтр, использующий нейронную сеть (D.W.Moses, С.Н.Hustig, J.Kinne, H.L.Najafi, Dynamic digital filter using neural networks, PCT, WO 95/29449, 2 November 1995), содержащий блок цифровой фильтрации, состоящий из цифровых фильтров с различными параметрами, умножителей и сумматора, причем выходы цифровых фильтров соединены со входами умножителей, выходы которых соединены со входом сумматора, выход сумматора является выходом устройства цифровой адаптивной фильтрации сигналов, и блок распознавания, выход которого соединен со вторыми входами умножителей. Недостатком данного динамического цифрового фильтра является частичная потеря информации о зондируемом объекте. Это связано с необходимостью предварительного определения спектрального состава фильтруемого сигнала, статистическая оценка точности которого при работе в реальном масштабе времени неустойчива для сигналов с изменяющимися частотными характеристиками, а также с применением фильтров, частотные характеристики которых оптимальны только для фильтрации периодических и апериодических сигналов. Кроме того, возможности адаптивной фильтрации сигналов в реальном масштабе времени ограничены большим объемом вычислений, производимых для определения спектрального состава сигнала, и большим объемом вычислений, производимых нейронной сетью для достоверной классификации сигнала.The closest technical solution to the proposed device is a dynamic digital filter using a neural network (DWMoses, C.N. Hustig, J.Kinne, HLNajafi, Dynamic digital filter using neural networks, PCT, WO 95/29449, November 2, 1995 ), comprising a digital filtering unit, consisting of digital filters with various parameters, multipliers and an adder, the outputs of the digital filters connected to the inputs of the multipliers, the outputs of which are connected to the input of the adder, the output of the adder is the output of a digital adaptive signal filtering device, and the recognition unit the output of which is connected to the second inputs of the multipliers. The disadvantage of this dynamic digital filter is a partial loss of information about the sensed object. This is due to the need to preliminarily determine the spectral composition of the filtered signal, the statistical estimation of the accuracy of which is unstable when working in real time for signals with varying frequency characteristics, as well as the use of filters whose frequency characteristics are optimal only for filtering periodic and aperiodic signals. In addition, the capabilities of adaptive filtering of signals in real time are limited by the large amount of calculations performed to determine the spectral composition of the signal, and the large volume of calculations performed by the neural network for reliable classification of the signal.
В основу группы изобретений поставлена задача усовершенствования способа цифровой адаптивной фильтрации сигналов и устройства для его выполнения путем анализа вероятностей статистических гипотез относительно типа сигнала по статистическим выборкам данных об амплитуде сигнала, обеспечение подавления шумовой составляющей сигнала в реальном масштабе времени без потери информации о структуре зондируемого объекта, сохранение, при необходимости, диагностической информации, содержащейся в спекл-шумах, и выделение дополнительной информации о структуре зондируемого объекта.The basis of the group of inventions is the task of improving the method of digital adaptive filtering of signals and a device for its implementation by analyzing the probabilities of statistical hypotheses regarding the type of signal from statistical samples of signal amplitude data, to suppress the noise component of the signal in real time without losing information about the structure of the probed object, saving, if necessary, diagnostic information contained in speckle noise, and the allocation of additional information information on the structure of the probed object.
Поставленная задача решается следующим образом.The problem is solved as follows.
1. Способ цифровой адаптивной фильтрации сигналов, включающий тренировочный процесс для оптимального обнаружения элемента структуры объекта зондирования, задание порогов принятия решений, вычисление вероятностей различных гипотез относительно типа входного сигнала, вычисление отношений вероятностей и их сравнение с порогами принятия решений, определение наиболее вероятной гипотезы о типе входного сигнала, отличающийся тем, что после задания порогов принятия решений выделяют амплитуду входного сигнала, получают посредством цифровой фильтрации ряд оценок амплитуды входного сигнала, отвечающих различным гипотезам об элементе структуры объекта зондирования и соответствующих им базовым сигналам амплитуды, после определения наиболее вероятной гипотезы о типе входного сигнала проводят оценку значения амплитуды входного сигнала, как взвешенной суммы оценок цифровой фильтрации, определяют наиболее вероятный элемент структуры объекта зондирования и отображают результаты цифровой адаптивной фильтрации сигналов в виде оценки амплитуды входного сигнала, причем количество задаваемых порогов принятия решений определяется числом гипотез относительно типа входного сигнала.1. A method of digital adaptive filtering of signals, including a training process for optimal detection of a structure element of a sensing object, setting decision thresholds, calculating the probabilities of various hypotheses regarding the type of input signal, calculating probability ratios and comparing them with decision thresholds, determining the most probable hypothesis about the type input signal, characterized in that after setting the decision thresholds, the amplitude of the input signal is extracted, obtained by digitally filtering a series of estimates of the amplitude of the input signal that correspond to various hypotheses about the structure element of the sensing object and the corresponding basic amplitude signals, after determining the most probable hypothesis about the type of input signal, the amplitude of the input signal is estimated as a weighted sum of the estimates of digital filtering, the most likely element is determined sensing object structures and display the results of digital adaptive filtering of signals in the form of an estimate of the amplitude of the input signal, and how many The set of decision thresholds is determined by the number of hypotheses regarding the type of input signal.
2. Способ цифровой адаптивной фильтрации сигналов по п.1, отличающийся тем, что тренировочный процесс для оптимального обнаружения элементов структуры объекта зондирования включает в себя определение параметров цифровых фильтров, отвечающих различным гипотезам об элементе структуры объекта зондирования, и определение весовых коэффициентов, обеспечивающих оптимальное отображение наиболее вероятного элемента структуры объекта зондирования.2. The method of digital adaptive filtering of signals according to
3. Способ цифровой адаптивной фильтрации сигналов по п.1, отличающийся тем, что вычисление вероятностей и вычисление отношений вероятностей выполняют для максимальных значений апостериорных плотностей вероятности и отношений максимальных значений апостериорных плотностей вероятности различных гипотез об элементе структуры объекта зондирования либо для апостериорных вероятностей и отношений апостериорных вероятностей различных гипотез об элементе структуры объекта зондирования.3. The method of digital adaptive filtering of signals according to
4. Способ цифровой адаптивной фильтрации сигналов по п.1, отличающийся тем, что отображение результатов цифровой адаптивной фильтрации сигналов осуществляется в виде оценки амплитуды входного сигнала, как взвешенной суммы оценок амплитуды сигнала, соответствующего различным гипотезам об элементе структуры объекта зондирования, либо в виде оценки амплитуды входного сигнала, как взвешенной суммы оценок, и кода наиболее вероятного элемента структуры объекта зондирования.4. The method of digital adaptive filtering of signals according to
5. Устройство для цифровой адаптивной фильтрации сигналов, содержащее блок цифровой фильтрации, состоящий из цифровых фильтров с различными параметрами, умножителей и сумматора, причем выходы цифровых фильтров соединены с первыми входами умножителей, выходы которых соединены со входом сумматора, выход сумматора является выходом устройства цифровой адаптивной фильтрации сигналов, и блок распознавания, первый выход которого соединен со вторыми входами умножителей, выходы которых соединены со входом сумматора, выход сумматора является выходом устройства цифровой адаптивной фильтрации сигналов, и блок распознавания, первый выход которого соединен со вторыми входами умножителей, отличающееся тем, что дополнительно содержит детектор амплитуды сигнала, а блок распознавания состоит из статистического процессора, запоминающего устройства и компаратора, причем вход детектора амплитуды сигнала является входом устройства цифровой адаптивной фильтрации сигналов, а выход соединен со входами цифровых фильтров, вторые выходы которых соединены со входом статистического процессора, выход статистического процессора соединен со входом компаратора, первый выход которого соединен со входом запоминающего устройства, а второй выход является вторым выходом устройства цифровой адаптивной фильтрации сигналов, выход запоминающего устройства является первым выходом блока распознавания.5. A device for digital adaptive filtering of signals, comprising a digital filtering unit consisting of digital filters with various parameters, multipliers and an adder, the outputs of the digital filters being connected to the first inputs of the multipliers, the outputs of which are connected to the input of the adder, the output of the adder is the output of the digital adaptive device filtering signals, and a recognition unit, the first output of which is connected to the second inputs of the multipliers, the outputs of which are connected to the input of the adder, the output of the adder is the output of the digital adaptive signal filtering device, and a recognition unit, the first output of which is connected to the second inputs of the multipliers, characterized in that it further comprises a signal amplitude detector, and the recognition unit consists of a statistical processor, a storage device and a comparator, and the signal amplitude detector input is an input digital adaptive filtering of signals, and the output is connected to the inputs of digital filters, the second outputs of which are connected to the input of the statistical process quarrel, the output of the statistical processor is connected to the input of the comparator, the first output of which is connected to the input of the storage device, and the second output is the second output of the digital adaptive filtering signals, the output of the storage device is the first output of the recognition unit.
6. Устройство для цифровой адаптивной фильтрации сигналов по п.5, отличающееся тем, что блок цифровой фильтрации содержит М цифровых фильтров, тип каждого из которых оптимален по критерию максимума апостериорной плотности вероятности для фильтрации одного из базовых сигналов амплитуды входного сигнала, соответствующего одной из различных гипотез об элементе структуры объекта зондирования, и М умножителей, причем М≥ 2 и определяется числом базовых сигналов амплитуды входного сигнала.6. The device for digital adaptive filtering of signals according to claim 5, characterized in that the digital filtering unit contains M digital filters, the type of each of which is optimal according to the criterion of the maximum posterior probability density for filtering one of the basic signals of the amplitude of the input signal corresponding to one of various hypotheses about the structure element of the sensing object, and M multipliers, moreover, M≥ 2 and is determined by the number of basic signals of the amplitude of the input signal.
Заявляемый способ цифровой адаптивной фильтрации сигналов и устройство для его выполнения в известных источниках информации не обнаружены, что позволяет считать их новыми.The inventive method of digital adaptive filtering of signals and a device for its implementation in known sources of information are not found, which allows us to consider them new.
Отличительные признаки в своей совокупности являются необходимыми и достаточными для достижения поставленной цели, в других известных технических решениях не выявлены, что обеспечивает группе изобретений соответствие критерию “изобретательский уровень”.Distinctive features in their totality are necessary and sufficient to achieve the goal, are not identified in other known technical solutions, which ensures the group of inventions meets the criterion of “inventive step”.
Введение в заявляемое устройство детектора амплитуды входного сигнала, применение в блоке распознавания статистического процессора, запоминающего устройства и компаратора, а также новые связи между элементами устройства позволяют реализовать предложенный способ цифровой адаптивной фильтрации сигналов и тем самым обеспечить подавление шумовой составляющей сигнала в реальном масштабе времени без потери информации о структуре зондируемого объекта, сохранение, при необходимости, диагностической информации, содержащейся в спекл-шумах, и выделение дополнительной информации о структуре зондируемого объекта.The introduction of the detector amplitude of the input signal into the inventive device, the use of a statistical processor, a memory device and a comparator in the recognition unit, as well as new connections between the device elements allow the proposed method of digital adaptive signal filtering to be implemented and thereby to suppress the noise component of the signal in real time without loss information about the structure of the probed object, saving, if necessary, diagnostic information contained in speckle noise And recovering the additional information on the structure of the test object.
На фиг.1 приведена блок-схема устройства для цифровой адаптивной фильтрации сигналов.Figure 1 shows a block diagram of a device for digital adaptive filtering of signals.
На фиг.2 показан двумерный базовый сигнал амплитуды входного сигнала, отраженного объектом зондирования, при зондировании под углом такого элемента структуры объекта зондирования, как граница раздела двух сред с различными отражающими способностями.Figure 2 shows a two-dimensional basic signal of the amplitude of the input signal reflected by the sensing object, when probing at an angle of such an element of the structure of the sensing object as the interface between two media with different reflective abilities.
На фиг.3 показаны графики амплитуды входного сигнала при зондировании под углом границы раздела двух сред с различными отражающими способностями.Figure 3 shows the graphs of the amplitude of the input signal when sensing at an angle of the interface between two media with different reflective abilities.
На фиг.4 показано изображение фрагмента печени и правой почки.Figure 4 shows an image of a fragment of the liver and the right kidney.
На фиг.5 показаны графики амплитуды входного сигнала при нормальном зондировании границы раздела двух сред с различными отражающими способностями.Figure 5 shows graphs of the amplitude of the input signal during normal sounding of the interface between two media with different reflective abilities.
На фиг.6 показан возможный желаемый выходной сигнал амплитуды для границы раздела двух сред при нормальном зондировании.Figure 6 shows the possible desired amplitude output for the interface between two media in normal sounding.
На фиг.7 представлено исходное изображение фрагмента печени и правой почки.Figure 7 presents the original image of a fragment of the liver and right kidney.
На фиг.8 представлено изображение, полученное после предварительной обработки по предлагаемому способу.On Fig presents the image obtained after preliminary processing by the proposed method.
Способ цифровой адаптивной фильтрации сигналов включает в себя выделение амплитуды входного сигнала, получение посредством цифровой фильтрации ряда оценок амплитуды входного сигнала, отвечающих различным гипотезам об элементе структуры объекта зондирования и соответствующих им базовым сигналам амплитуды, проведение тренировочного процесса для оптимального обнаружения элементов структуры объекта зондирования, включающего в себя определение весовых коэффициентов, обеспечивающих оптимальное отображение наиболее вероятного элемента структуры объекта зондирования и определение параметров цифровых фильтров, задание порогов принятия решений, количество которых определяется числом гипотез относительно типа сигнала, отраженного объектом зондирования, вычисление вероятностей различных гипотез относительно типа входного сигнала и вычисление отношений вероятностей, которые выполняются для максимальных значений апостериорных плотностей вероятности либо для апостериорных вероятностей и сравнение отношений с порогами принятия решений, определение наиболее вероятной гипотезы о типе входного сигнала, проведение оценки значения амплитуды входного сигнала, как взвешенной суммы оценок цифровой фильтрации, определение наиболее вероятного элемента структуры объекта зондирования и отображение результатов цифровой адаптивной фильтрации сигналов, которое осуществляется в виде оценки амплитуды входного сигнала, как взвешенной суммы оценок амплитуды сигнала, соответствующих различным гипотезам об элементе структуры объекта зондирования, либо в виде оценки амплитуды входного сигнала, как взвешенной суммы оценок, и кода наиболее вероятного элемента структуры объекта зондирования.The method of digital adaptive filtering of signals includes the extraction of the amplitude of the input signal, obtaining by digital filtering a number of estimates of the amplitude of the input signal that correspond to various hypotheses about the structure element of the sensing object and the corresponding basic amplitude signals, conducting a training process for the optimal detection of structural elements of the sensing object, including the definition of weighting coefficients, providing an optimal display of the most probable element the structure of the sensing object and determining the parameters of digital filters, setting decision thresholds, the number of which is determined by the number of hypotheses regarding the type of signal reflected by the sensing object, calculating the probabilities of various hypotheses regarding the type of input signal, and calculating the probability ratios that are performed for the maximum values of posterior probability densities or for posterior probabilities and comparing relationships with decision thresholds, determining the most likely hypothesis about the type of input signal, assessing the amplitude of the input signal as a weighted sum of the estimates of digital filtering, determining the most likely element of the structure of the sensing object and displaying the results of digital adaptive filtering of signals, which is carried out in the form of an estimate of the amplitude of the input signal, as a weighted sum of estimates of the amplitude signal corresponding to various hypotheses about the element of the structure of the sensing object, or in the form of an estimate of the amplitude of the input signal, as a weighted the sum of the estimates, and the code of the most probable element of the structure of the sensing object.
Реализация заявляемого способа цифровой адаптивной фильтрации сигналов осуществляется посредством устройства, представленного на фиг.1 и содержащего детектор амплитуды входного сигнала 1, блок цифровой фильтрации и блок распознавания. Блок цифровой фильтрации состоит из М цифровых фильтров 2, М умножителей 3 и сумматора сигналов 4. Блок распознавания включает в себя статистический процессор 5, компаратор 6 и запоминающее устройство 7.Implementation of the proposed method of digital adaptive filtering of signals is carried out by means of the device shown in Fig.1 and containing the amplitude detector of the
Вход детектора амплитуды сигнала 1 является входом устройства цифровой адаптивной фильтрации сигналов, а выход детектора амплитуды сигнала 1 соединен со вторым входом блока цифровой фильтрации, которым является вход цифровых фильтров 2, первые выходы которых соединены с первыми входами умножителей 3, вторые выходы цифровых фильтров 2 соединены со входом статистического процессора 5, выход статистического процессора 5 соединен со входом блока распознавания, которым является вход компаратора 6, первый выход которого соединен со входом запоминающего устройства 7, а второй выход является одновременно вторым выходом блока распознавания и вторым выходом устройства цифровой адаптивной фильтрации сигналов, выход запоминающего устройства 7 соединен с первым входом блока цифровой фильтрации, которым являются вторые входы умножителей 3 и является вторым выходом блока распознавания, выходы умножителей 3 соединены со входом сумматора 4, выход сумматора 4 является первым выходом устройства цифровой адаптивной фильтрации сигналов.The input of the
Устройство работает следующим образом. В изображенном на фиг.1 устройстве адаптивной фильтрации, основанном на анализе вероятностей статистических гипотез, каждый из цифровых фильтров 2 производит вычисление одной из оценок амплитуды входного сигнала, получаемой на выходе детектора 1, по окну данных x={x1, x2,... , xN}, где хn - цифровые значения амплитуды входного сигнала в окне данных, N - величина окна данных, равная соответственно N1, N1× N2 и N1× N2× N3 при одно-, двух- и трехмерной фильтрации. Количество фильтров и получаемых оценок определяется числом принятых к рассмотрению гипотез о возможных элементах структуры объекта зондирования и соответственно числом базовых сигналов амплитуды. Непосредственный алгоритм нелинейной цифровой фильтрации задается распределением шумов и способом оценки. В частности, если амплитуда сигнала, отраженного зондируемым объектом, описывается распределением Рэлея, как это имеет место при наличии спекл-шумов, то при одномерной нечетной выборке данных (N1=2n1-1) амплитуды сигнала оптимальную по критерию максимума апостериорной плотности вероятности оценку текущего значения отражающей способности с наилучшим подавлением шума для i-го базового сигнала дает нелинейный цифровой фильтр видаThe device operates as follows. In the adaptive filtering device shown in FIG. 1, based on the analysis of the probabilities of statistical hypotheses, each of the
где 
Совокупность отношений величин 
Полученные при фильтрации различными фильтрами значения оценок амплитуды сигнала поступают в статистический процессор 5 блока распознавания фиг.1, вычисляющий с их помощью максимальные значения апостериорных плотностей вероятности Рi (Левин Б.Р. Теоретические основы статистической радиотехники. В трех книгах. Книга вторая. Изд. 2-е, перераб. и дополнен. М. Сов. Радио, 1973, с.98) различных базовых сигналов и соответственно элементов структуры объекта зондирования либо апостериорные вероятности. (Левин Б.Р. Теоретические основы статистической радиотехники. В трех книгах. Книга вторая. Изд. 2-е, перераб. и дополнен. М.: Сов. Радио, 1973, с.55).The values of the signal amplitude estimates obtained by filtering by various filters are sent to the statistical processor 5 of the recognition unit of FIG. 1, which calculates with their help the maximum values of posterior probability densities R i (Levin B.R. Theoretical foundations of statistical radio engineering. In three books. Book two. Ed. 2nd, revised and supplemented by M. Sov. Radio, 1973, p. 98) of various basic signals and, accordingly, structural elements of the sensing object or posterior probabilities. (BR Levin. Theoretical foundations of statistical radio engineering. In three books. Book two. Ed. 2, revised and revised. M: Sov. Radio, 1973, p. 55).
Вычисленные в статистическом процессоре значения вероятностей поступают в компаратор 6. В компараторе вычисленные вероятности Pi различных элементов структуры объекта зондирования сравниваются и определяется элемент структуры, наиболее вероятный с учетом заданных порогов принятия решений. Отличные от единицы пороги принятия решений, являющиеся параметрами компаратора, используются при наличии данных относительно априорных вероятностей различных элементов структуры зондирования.The probability values calculated in the statistical processor go to comparator 6. In the comparator, the calculated probabilities P i of the various structure elements of the sensing object are compared and the structure element most likely taking into account the given decision thresholds is determined. Decision thresholds other than unity, which are the parameters of the comparator, are used when there is data on the a priori probabilities of various elements of the sounding structure.
Информация о номере элемента структуры объекта зондирования, к которому с наибольшей вероятностью принадлежит текущее значение амплитуды сигнала, передается с выхода компаратора 6 на устройство отображения, например, монитор. Эта дополнительная диагностическая информация может отображаться, например, при помощи цвета.Information about the number of the element of the structure of the sensing object, to which the current signal amplitude most likely belongs, is transmitted from the output of the comparator 6 to a display device, for example, a monitor. This additional diagnostic information may be displayed, for example, using color.
Порядковый номер наиболее вероятного элемента структуры объекта зондирования определяет порядковый номер одного из фильтров 1, отвечающего этому элементу структуры объекта зондирования. С выхода компаратора 6 порядковый номер фильтра 2 поступает на вход предварительно обученного запоминающего устройства 7. Таким образом, входными данными запоминающего устройства являются не множества значений амплитуды входного сигнала х={х1, х2,... , хN}, а код наиболее вероятного базового сигнала, записанный в виде номера одного из фильтров 2. Каждому базовому сигналу запоминающее устройство ставит в соответствие некоторый вектор весовых коэффициентов 
С выхода запоминающего устройства 7, который является и выходом всего блока распознавания, вектор весовых коэффициентов 
где 
Для работы описанного выше устройства необходима предварительная тренировка запоминающего устройства, целью которого является получение на его выходе таких весовых коэффициентов v' для каждого из базовых сигналов амплитуды, поданных на его вход в виде порядкового номера соответствующего фильтра 2, при которых в выходном сигнале устройства адаптивной фильтрации в наибольшей степени сохраняется информация о структуре объекта зондирования, содержащаяся в базовом сигнале амплитуды.For the operation of the device described above, a preliminary training of the storage device is necessary, the purpose of which is to obtain at its output such weight coefficients v 'for each of the basic amplitude signals supplied to its input in the form of a serial number of the
Обучение включает в себя представление одного, например k-го, из базовых сигналов в виде номера k и задание желаемого выхода запоминающего устройства в виде вектора 
Если из имеющихся выходов нелинейных цифровых фильтров ни при каком векторе 
Далее процедура обучения запоминающего устройства повторяется для каждого из оставшихся базовых сигналов, включая добавленные базовые сигналы, так что пары из номеров k и соответствующих им векторов v' (вход-желаемый выход) для каждого из базовых сигналов являются обучающими.Next, the learning procedure of the storage device is repeated for each of the remaining basic signals, including added basic signals, so that pairs of numbers k and their corresponding vectors v '(input-desired output) for each of the basic signals are training.
Результаты обработки простым одномерным адаптивным фильтром изображений реальных органов человека показаны на фиг.7 и 8. На фиг.7 представлено исходное изображение фрагмента печени и правой почки, а на фиг.8 - изображение, полученное после предварительной обработки по предлагаемому алгоритму с использованием минимального окна данных х={х1, x2, x3}. При обработке использовано всего двенадцать нелинейных цифровых фильтров (1), обеспечивающих подавление спекл-шумов при сохранении всех элементов структуры объекта зондирования, несущих диагностически ценную информацию о его строении.The results of processing a simple one-dimensional adaptive filter of images of real human organs are shown in Figs. 7 and 8. Fig. 7 shows the initial image of a fragment of the liver and the right kidney, and Fig. 8 shows the image obtained after preliminary processing by the proposed algorithm using a minimum window data x = {x 1 , x 2 , x 3 }. During processing, only twelve nonlinear digital filters were used (1), which suppress speckle noise while maintaining all the structural elements of the sensing object that carry diagnostically valuable information about its structure.
Заявленный способ и устройство адаптивной фильтрации могут быть реализованы, например, на программируемых логических интегральных схемах (ПЛИС) фирмы XILINX, осуществляющих все необходимые вычисления в реальном времени. Применение ПЛИС XCV600, имеющих объем в 600000 программируемых вентилей, позволяет, например, при окне данных из N=3 отсчетов амплитуды эхо-сигнала реализовать на каждой ПЛИС не менее четырех нелинейных фильтров, описываемых выражением (1). В соответствии с этим при N=3 полное число необходимых ПЛИС для К заданных элементов структуры зондируемого объекта не превышает К/4. В общем случае число ПЛИС XCV600 определяется числом отсчетов N амплитуды эхо-сигнала и числом К элементов структуры зондируемого объекта. Аналогичным образом статистический процессор, вычисляющий вероятности каждого из возможных элементов структуры зондируемого объекта, может быть выполнен с использованием ПЛИС XCV600, количество которых не превышает количество ПЛИС, использованных для фильтрации.The claimed method and adaptive filtering device can be implemented, for example, on programmable logic integrated circuits (FPGAs) of the company XILINX, performing all the necessary calculations in real time. The use of XCV600 FPGAs with a volume of 600,000 programmable gates allows, for example, with a data window of N = 3 samples of the echo signal amplitude, at least four nonlinear filters described by expression (1) can be implemented on each FPGA. In accordance with this, when N = 3, the total number of FPGAs required for K given structural elements of the probed object does not exceed K / 4. In the general case, the number of FPGAs XCV600 is determined by the number of samples N of the amplitude of the echo signal and the number K of the structure elements of the probed object. Similarly, a statistical processor calculating the probabilities of each of the possible structure elements of a sensed object can be performed using XCV600 FPGAs, the number of which does not exceed the number of FPGAs used for filtering.
Для распознавателя сигналов, осуществляющего операции сравнения вероятностей всех возможных элементов структуры и определяющего номер наиболее вероятного элемента и соответствующий ему вектор весовых коэффициентов, может быть использована отдельная ПЛИС XCV300 меньшего объема. При этом часть программируемых вентилей ПЛИС используется в качестве логических ячеек компаратора, а оставшиеся - в качестве оперативного запоминающего устройства. Такая же ПЛИС может быть использована в качестве умножителя и сумматора для перемножения в реальном времени оценок каждого из фильтров с вектором весовых коэффициентов и сложения результатов всех перемножений.For a signal recognizer that performs operations of comparing the probabilities of all possible structural elements and determines the number of the most probable element and the corresponding vector of weight coefficients, a separate smaller FPGA XCV300 can be used. At the same time, part of the programmable FPGA gates is used as the logical cells of the comparator, and the remaining ones are used as random access memory. The same FPGA can be used as a multiplier and adder for real-time multiplication of estimates of each filter with a vector of weight coefficients and addition of the results of all multiplications.
Claims (6)
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| UA2000095351 | 2000-09-18 | ||
| UA2000095351 | 2000-09-18 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2001122784A RU2001122784A (en) | 2003-07-10 |
| RU2237965C2 true RU2237965C2 (en) | 2004-10-10 |
Family
ID=34391013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2001122784/09A RU2237965C2 (en) | 2000-09-18 | 2001-08-15 | Method and device for digital adaptive filtration of signals |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2237965C2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9698743B2 (en) | 2007-07-13 | 2017-07-04 | Dolby Laboratories Licensing Corporation | Time-varying audio-signal level using a time-varying estimated probability density of the level |
| RU2782874C2 (en) * | 2017-11-02 | 2022-11-07 | Конинклейке Филипс Н.В. | Smart ultrasound system for detection of image artefacts |
| US11992369B2 (en) | 2017-11-02 | 2024-05-28 | Koninklijke Philips N.V. | Intelligent ultrasound system for detecting image artefacts |
-
2001
- 2001-08-15 RU RU2001122784/09A patent/RU2237965C2/en not_active IP Right Cessation
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9698743B2 (en) | 2007-07-13 | 2017-07-04 | Dolby Laboratories Licensing Corporation | Time-varying audio-signal level using a time-varying estimated probability density of the level |
| RU2782874C2 (en) * | 2017-11-02 | 2022-11-07 | Конинклейке Филипс Н.В. | Smart ultrasound system for detection of image artefacts |
| US11992369B2 (en) | 2017-11-02 | 2024-05-28 | Koninklijke Philips N.V. | Intelligent ultrasound system for detecting image artefacts |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0120537B1 (en) | Method and device for remote tissue identification by statistical modeling and hypothesis testing of echo ultrasound signals | |
| Aysal et al. | Rayleigh-maximum-likelihood filtering for speckle reduction of ultrasound images | |
| Santos et al. | Ultrasound image despeckling using stochastic distance-based BM3D | |
| US6733455B2 (en) | System and method for adaptive clutter filtering in ultrasound color flow imaging | |
| US20060184021A1 (en) | Method of improving the quality of a three-dimensional ultrasound doppler image | |
| JP2004033732A (en) | System and method for post-processing of ultrasonic color doppler imaging | |
| EP2254112A1 (en) | Noise suppression device and noise suppression method | |
| CN111297399B (en) | Fetal heart positioning and fetal heart rate extraction method based on ultrasonic video | |
| KR20010061963A (en) | Method and apparatus for visualization of motion in ultrasound flow imaging using packet data acquisition | |
| Roomi et al. | Speckle noise removal in ultrasound images using particle swarm optimization technique | |
| EP1796037B1 (en) | Image processing system and method for controlling gains for color flow images | |
| Gupta et al. | Real-time salt and pepper noise removal from medical images using a modified weighted average filtering | |
| Ashikuzzaman et al. | Low rank and sparse decomposition of ultrasound color flow images for suppressing clutter in real-time | |
| EP3853598B1 (en) | Ultrasonic analysis of a subject | |
| Resham et al. | Noise reduction, enhancement and classification for sonar images | |
| RU2237965C2 (en) | Method and device for digital adaptive filtration of signals | |
| JPH08293025A (en) | Image sorting device | |
| Stevenson et al. | Multiple-view time–frequency distribution based on the empirical mode decomposition | |
| Sriraam et al. | Performance evaluation of linear and nonlinear filters for despeckling B mode foetal heart ultrasound images | |
| US8500647B1 (en) | Data-optimized filter for image processing | |
| CN112336369B (en) | Coronary heart disease risk index evaluation system of multichannel heart sound signals | |
| CN116529765A (en) | Predicting a likelihood that an individual has one or more lesions | |
| Hourani et al. | Block-wise ultrasound image deconvolution from fundamental and harmonic images | |
| Belohlavek et al. | Detection of cardiac boundaries in echocardiographic images using a customized order statistics filter | |
| JP3511201B2 (en) | Computer-aided diagnostic equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20050816 |