一种改进的最小方差超声成像方法技术

本发明专利技术涉及一种改进的最小方差超声成像方法，属于超声成像技术领域；该方法首先对接收阵元的采样信号进行延时处理和前后向平滑处理，得到样本协方差矩阵估计；然后将前后向协方差矩阵估计进行特征值分解，构造信号子空间，同时利用椭球覆盖方向向量值域和限定方向向量模值对方向向量增加一对约束条件；在期望信号子空间中，基于最小方差准则，计算得到自适应波束形成权值；最后将自适应波束形成权值对经过前后向平滑处理的多路数据进行加权求和，从而得到一路自适应波束信号；该方法能够解决现有最小方差算法在图像分辨率、对比度以及对噪声鲁棒性等方面的问题，可以从整体上提高超声成像的质量。

【技术实现步骤摘要】
一种改进的最小方差超声成像方法
本专利技术属于超声成像
，涉及一种改进的最小方差超声成像方法。
技术介绍
超声波因其无损、价格低廉且易于生成和控制等优点，在医学诊断领域得到了广泛的应用。如何提高超声图像质量是准确诊断疾病的前提，也是目前超声成像算法的研究重点。传统的延时叠加算法(DelayandSum,DAS)具有成像速度快的优点，是目前超声成像中最为广泛使用的一种波束形成算法。其主要原理是根据阵列与目标点的位置关系，对阵列中的每个阵元施加不同的延时，将接收的数据延时对齐后进行叠加。传统DAS算法成像质量较低，栅瓣等级高且对比度低。国内外很多学者在DAS基础上引入了自适应加权算法提高图像质量。Capon算法也即最小方差算法(MinimumVariance,MV)是最常用的自适应加权算法，它是根据保持期望方向增益不变，并且使阵列输出能量最小的原则，计算出聚焦延时后信号的加权矢量。由于该方法是实时根据回波数据计算加权值，所以该算法相比于传统延时叠加算法可以有效的降低旁瓣等级，从而提高图像横向分辨率，也可以提高图像对比度，但该算法的缺点是稳健性远不如传统的延时叠加算法。在超声成像中，根据最小方差准则计算出波束形成权值然后进行成像时，虽然图像分辨率和对比度较传统延时叠加算法有所提升，但算法鲁棒性下降，而且容易使有用信号相消，这在信噪比较低的情况下对图像质量有较大影响。因此在最小方差算法的基础上算法分辨率、对比度和鲁棒性都还有很大的提升空间。综上所述，急需专利技术一种能够同时提高图像分辨率、对比度，并且还能保持算法的稳健性和抗噪能力，以全面提高超声图像的整体质量。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种改进的最小方差超声成像方法，该方法能够同时提高图像分辨率、对比度以及波束形成鲁棒性的算法，有效克服了传统自适应波束形成算法稳健性低，不能显著提高图像对比度和分辨率等问题，全面提高了超声图像的整体质量。本专利技术的目的是研究一种改进的最小方差算法，提高超声成像质量。为达到上述目的，本专利技术提供如下技术方案：一种改进的最小方差超声成像方法，该方法包括以下步骤：S1：对超声阵元接收的回波信号进行放大处理和A/D转换，以获得超声成像所需要的回波数据；S2：将接收阵列依次划分为具有一个重叠阵元的子阵，然后对相应划分子阵接收的回波信号进行前后向平滑处理，以获得样本协方差矩阵；S3：对样本协方差矩阵进行特征分解，构建信号子空间；S4：利用椭球覆盖方向向量值域和限定方向向量模值增加方向向量一对约束条件；S5：在期望信号子空间中，结合方向向量，根据最小方差准则，计算得到波束形成权值；S6：将自适应波束形成权值对采样信号数据进行加权求和得到自适应波束信号。进一步，在步骤S2中，具体包括：S21：对采样信号进行聚焦延时处理，得到聚焦延时处理之后的信号x(k)，x(k)表示为x(k)＝[x1(k),x2(k),…,xN(k)]，其中N表示超声阵列的阵元个数，k表示为对应采样深度的采样时刻；S22：把N个阵元依次划分为阵元数目为L的子阵，并分别计算各个子阵的样本协方差矩阵Rl(k)，然后根据以下公式计算前向协方差矩阵估计公式中表示第l个子阵的前向输出向量，为的共轭转置；S23：定义为后向重叠向量，其中l＝1,2,…,N；类比S22，通过以下计算公式，得到后向协方差矩阵估计公式中表示第l个子阵的后向输出向量，表示的共轭转置；S24：通过计算前向协方差矩阵估计和后向协方差矩阵估计的求和平均得到前后向协方差矩阵估计进一步，在步骤S3中，通过以下公式对进行特征分解：其中，λi为的特征值，且按降序排列，λ1≥λ2≥…≥λN，ei为λi对应的特征向量，为ei的共轭转置，特征向量矩阵EM＝[e1…eM]；为EM的共轭转置，特征值矩阵ΛM＝diag[λ1…λM]；将矩阵划分为期望信号子空间及与之正交的噪声子空间：其中Λs为较大特征值组成的对角矩阵，Λn为较小特征值组成的对角矩阵；Es为较大特征值对应特征向量组成的信号子空间，En为较小特征值对应特征向量组成的噪声子空间，EsH，EnH为其对应共轭转置。进一步，在步骤S4中，增加一对方向向量约束条件，具体包括以下两个条件：1)：当方向向量存在偏差时，利用椭球覆盖方向向量的值域，即增加约束条件：||a-a1||2≤ε其中a为假定的方向向量，a1为期望信号方向向量，ε为误差边界；2)：在此基础上，增加一个方向向量模值约束条件来提高本算法的鲁棒性：||a1||2＝M其中，M为假定方向向量模值；进一步，所述步骤S5中计算得到波束形成权值，具体步骤如下：S51：将该算法简化为解决优化问题：s.t||a-a1||2≤ε,||a1||2＝M其中，aH为方向向量的转置，为Λs的逆矩阵；利用拉格朗日算子法，求出期望信号方向向量的估计值：其中I为单位阵，再次使用拉格朗日算法可以求出算子γ的上限：其中算子ξs为，ξs＝1/λs，λs为中较大特征值；算子ζ为，M为方向向量模值，ε为误差边界；S52：通过最小方差原理计算自适应波束形成权值：公式中，a1为期望信号方向向量，w为自适应波束形成权值，为Λs的逆矩阵。进一步，所述步骤S6中，将改进的最小方差算法计算得到波束形成权值对所述的聚焦延时后的采样信号通过以下公式进行加权求和，计算得到自适应波束信号：其中，y(k)表示计算得到的自适应波束信号，wH表示w的共轭转置，表示第l个子阵的输出向量。进一步，所述子阵元数目L的取值为L≤N/2。本专利技术的有益效果在于：本专利技术采用了一种改进的最小方差超声成像算法，该算法将接收信号分解为期望信号子空间和噪声子空间，可在一定程度上解决信号相消的问题，针对期望信号子空间利用MV原则求解加权向量，另外在求解加权矢量时，对一般固定的方向矢量增加了一对约束条件，使算法对噪声的鲁棒性进一步增加。因此本专利技术提出的算法在图像分辨率、对比度和对噪声的鲁棒性等方面都有较大提高，克服了传统自适应波束形成算法对噪声鲁棒性低，不能显著提高图像对比度等问题。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术所述方法的流程图；图2为前后向空间平滑算法示意图；图3为全发全收下4种成像算法的点目标仿真结果；图4为全发全收下3种算法在不同深度处横向分辨率；图5为全发全收下4种成像算法的吸声斑仿真结果；图6为合成孔径下4种成像算法点目标仿真结果；图7为合成孔径下4种成像算法吸声斑仿真结果；图8为40mm深度处波束截面图；图9为4种成像算法实验数据成像结果；图10为4种成像算法40mm深度处波束截面图。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。图1为本专利技术的算法流程图，如图所示，本专利技术提供一种在超声成像中的改进最小方差算法，包括以下步骤：步骤S1：对超声阵元接收的回波信号进行放大处理与A/D转换，以获得超声成像所需的回波数据；步骤S2：将接收阵列依次划分为具有一个重叠阵元的子阵，然后对相应划分子阵接收的回波信号进行前后向平滑处理，以获得样本协方差矩阵。图2给出了前后向空间平滑算法示意图，具体包括以下步骤：S21：对采样信号进行聚焦延时处理，得到聚焦延时处理之后的信号x(k)，x(k)表示为x(k)＝[x1(k)本文档来自技高网...

【技术保护点】
一种改进的最小方差超声成像方法，其特征在于：该方法包括以下步骤：S1：对超声阵元接收的回波信号进行放大处理和A/D转换，以获得超声成像所需要的回波数据；S2：将接收阵列依次划分为具有一个重叠阵元的子阵，然后对相应划分子阵接收的回波信号进行前后向平滑处理，以获得样本协方差矩阵；S3：对样本协方差矩阵进行特征分解，构建信号子空间；S4：利用椭球覆盖方向向量值域和限定方向向量模值增加方向向量一对约束条件；S5：在期望信号子空间中，结合方向向量，根据最小方差准则，计算得到波束形成权值；S6：将自适应波束形成权值对采样信号数据进行加权求和得到自适应波束信号。

【技术特征摘要】
1.一种改进的最小方差超声成像方法，其特征在于：该方法包括以下步骤：S1：对超声阵元接收的回波信号进行放大处理和A/D转换，以获得超声成像所需要的回波数据；S2：将接收阵列依次划分为具有一个重叠阵元的子阵，然后对相应划分子阵接收的回波信号进行前后向平滑处理，以获得样本协方差矩阵；S3：对样本协方差矩阵进行特征分解，构建信号子空间；S4：利用椭球覆盖方向向量值域和限定方向向量模值增加方向向量一对约束条件；S5：在期望信号子空间中，结合方向向量，根据最小方差准则，计算得到波束形成权值；S6：将自适应波束形成权值对采样信号数据进行加权求和得到自适应波束信号；在步骤S2中，具体包括：S21：对采样信号进行聚焦延时处理，得到聚焦延时处理之后的信号x(k)，x(k)表示为x(k)＝[x1(k),x2(k),…,xN(k)]，其中N表示超声阵列的阵元个数，k表示为对应采样深度的采样时刻；S22：把N个阵元依次划分为阵元数目为L的子阵，并分别计算各个子阵的样本协方差矩阵Rl(k)，然后根据以下公式计算前向协方差矩阵估计公式中表示第l个子阵的前向输出向量，为的共轭转置；S23：定义为后向重叠向量，其中l＝1,2,…,N；类比S22，通过以下计算公式，得到后向协方差矩阵估计公式中表示第l个子阵的后向输出向量，表示的共轭转置；S24：通过以下计算公式计算前向协方差矩阵估计和后向协方差矩阵估计的求和平均，得到前后向协方差矩阵估计在步骤S3中，通过以下公式对进行特征分解：其中，λi为的特征值，且按降序排列，λ1≥λ2≥…≥λN，ei为λi对应的特征向量，为ei的共轭转置，特征向量矩阵EM＝[e1…eM]；为EM的共轭转置，特征值矩阵ΛM＝diag[λ1…λM]；将矩阵划分为期望信号子空间及与之正交的噪声子空间：...

【专利技术属性】
技术研发人员：王平，江金洋，龚志辉，李娜，李刚健，杜炜，谢解解，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85