光声成像环形稀疏阵列信号预测方法与装置制造方法及图纸

本发明专利技术公开了光声成像环形稀疏阵列信号预测方法与装置，该方法使用光声成像稀疏阵列中的超声换能器采集的有限信号，通过一种从超声换能器声波信号到声波信号的卷积门控循环神经网络（WWCG

【技术实现步骤摘要】
光声成像环形稀疏阵列信号预测方法与装置


[0001]本专利技术属于人工智能与生物医学工程领域，具体涉及一种光声成像环形稀疏阵列信号预测方法与装置。

技术介绍

[0002]光声成像是在融合光学和声学技术各自的优点的基础上，形成的一种新兴的生物医学成像方式，通常采用激光器发射光源，采用多阵元的超声换能器来接收声波信号。光声成像设备需要精密的制造工艺，高密度的阵元器件，将大幅增加成像系统的成本与复杂度。受限于加工工艺，高密度阵列超声换能器有待进一步开发。与此同时，稀疏阵列是一种简化方案，在不改变超声换能器的总孔径的情况下，可以减少换能器的数量，便于工业实现。但是，稀疏阵列采集的声波信号是不完备的，采用传统的重建算法得到的图像将产生严重的伪影，严重降低成像质量。因此，急需解决在稀疏阵列下的高质量光声图像重建问题。已有研究的基于卷积神经网络的深度学习技术可以通过模糊的图像恢复高质量的成像结果，此方法受限于有限的图像数据集。基于循环神经网络的深度学习技术可以在有限的超声换能器声波信号上预测其他位置缺失阵元的声波信号，组成完整的环形阵列信号，再利用重建算法恢复高质量的成像结果。

技术实现思路

[0003]本专利技术针对现有光声成像环形稀疏阵列采集的有限信号重建图像存在伪影，影响成像质量的情况，提供了一种光声成像环形稀疏阵列信号预测方法，来填补稀疏阵列的有限信号。
[0004]本专利技术的目的是通过以下技术方案实现的：本专利技术实施例的第一方面提供了一种光声成像环形稀疏阵列信号预测方法，所述方法具体包括以下步骤：S1，将输入信号进行标准化，并且截去预设的起始阶段长度的信号；S2，将处理后的输入信号划分为训练数据集，训练数据集的标签集，测试数据集和测试数据集的标签集；S3，将训练数据集和训练数据集的标签集输入卷积门控循环神经网络进行训练，得到训练后的卷积门控循环神经网络；S4，在稠密阵列上，将测试数据集和测试数据集的标签集输入训练得到的卷积门控循环神经网络进行验证，并更新卷积门控循环神经网络；S5，在稀疏阵列中采集信号，将该在稀疏阵列中采集的信号输入更新的卷积门控循环神经网络进行预测，得到稀疏阵列其他位置的超声换能器阵元的信号数据。
[0005]进一步地，超声换能器探测被测物体组织反射的声压信号，并将该声压信号转化为电信号，读取该电信号，将该电信号作为输入信号；所述输入信号为N
×
M形矩阵，M是超声换能器阵元个数，N是单个超声换能器阵元采集到的信号长度。
[0006]进一步地，预设的起始阶段长度为400~600，以删除与目标物体无关的超声换能自
身反射的回波信号。
[0007]进一步地，将包含S个超声换能器阵元的环形超声换能器阵列作为稠密阵列，并将每个超声换能器按序编号为1,2,3
…
,512
…
S；以每间隔4个超声换能器阵元保留一个的形式组成一个S/4超声换能器阵元的环形超声换能器阵列，将该包含S/4个超声换能器阵元的环形超声换能器阵列作为稀疏阵列，并将每个超声换能器编号按序为1,5,9
…
S
‑
3。
[0008]进一步地，所述步骤S2具体为：从编号为1的超声换能器阵元采集的信号开始，按顺序取出编号为1+4K的超声换能器阵元的信号，作为训练数据集；从编号为2的超声换能器采集的信号开始，按顺序取出编号为2+4K的超声换能器信号，作为训练数据集的标签集；从编号为3的超声换能器采集的信号开始，按顺序取出编号为3+4K的超声换能器信号，作为测试数据集；从编号为4的超声换能器采集的信号开始，按顺序取出编号为4+4K的超声换能器信号，作为测试数据集的标签集；其中，K为0,1,2
…
127
…
S/4
‑
1。
[0009]进一步地，所述卷积门控循环神经网络由两层门控单元网络和一层全连接层组成；其中，门控单元网络每层的单元数量等于128，每层的丢弃率等于0.1，最后一层全连接层的单元数量为1。
[0010]进一步地，所述步骤S3训练卷积门控循环神经网络的过程中，自定义设置训练的迭代次数和每批次取数据量，使用了均方根反向传播算法优化器，采用Sigmoid函数作为激活函数，采用平均绝对误差为损失函数。
[0011]进一步地，所述步骤S5具体为：在稀疏阵列中采集信号，并对信号进行标准化，并且截去预设的起始阶段长度的信号；将该信号输入更新的卷积门控循环神经网络进行预测；预测将分三次进行，第一次使用稀疏阵列中有限的S/4组阵元数据，预测编号为2+4K的阵元信号；第二次使用预测得到的编号为2+4K的阵元信号，输入卷积门控循环神经网络，预测编号为3+4K的阵元信号；第三次使用预测得到的编号为3+4K的阵元信号，输入卷积门控循环神经网络，预测编号为4+4K的阵元信号；其中，K为0,1,2
…
127
…
S/4
‑
1；得到稀疏阵列其他位置的超声换能器阵元的信号数据。
[0012]本专利技术实施例的第二方面提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于深度学习的光声成像环形稀疏阵列信号预测方法。
[0013]本专利技术实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序所述程序被处理器执行时实现上述的基于深度学习的光声成像环形稀疏阵列信号预测方法。
[0014]本专利技术的有益效果为：本专利技术是从超声换能器信号端到信号端的深度学习信号预测方法，不需要使用光声图像数据，为稀疏阵列的信号填补及后续图像重建提供了便捷途径。通过WWCG
‑
Net训练预测，解决光声成像环形稀疏阵列采集的有限信号重建图像存在伪影的问题，提高成像质量。
附图说明
[0015]图1是本专利技术提及的稠密阵列装置示意图；图2是本专利技术提及的稀疏阵列装置示意图；图3是本专利技术方法的流程图；图4是本专利技术提出的从超声换能器的声波信号到声波信号的卷积门控循环神经网络结构示意图；图5是模型训练损失值收敛过程示意图；图6是本专利技术实例中编号为401的超声换能器信号真实值和预测值对比结果图；图7是本专利技术实例中稀疏阵列信号强度图；图8是本专利技术实例中使用稀疏阵列信号，通过WWCG
‑
Net预测出的稠密阵列信号强度图；图9是本专利技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0016]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。
[0017]在本专利技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术和所附权利要求书中所使用的单数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光声成像环形稀疏阵列信号预测方法，其特征在于，所述方法具体包括以下步骤：S1，将输入信号进行标准化，并且截去预设的起始阶段长度的信号；S2，将处理后的输入信号划分为训练数据集，训练数据集的标签集，测试数据集和测试数据集的标签集；S3，将训练数据集和训练数据集的标签集输入卷积门控循环神经网络进行训练，得到训练后的卷积门控循环神经网络；S4，在稠密阵列上，将测试数据集和测试数据集的标签集输入训练得到的卷积门控循环神经网络进行验证，并更新卷积门控循环神经网络；S5，在稀疏阵列中采集信号，将该在稀疏阵列中采集的信号输入更新的卷积门控循环神经网络进行预测，得到稀疏阵列其他位置的超声换能器阵元的信号数据。2.根据权利要求1所述的光声成像环形稀疏阵列信号预测方法，其特征在于，超声换能器探测被测物体组织反射的声压信号，并将该声压信号转化为电信号，读取该电信号，将该电信号作为输入信号；所述输入信号为N
×
M形矩阵，M是阵列中超声换能器阵元个数，N是单个超声换能器阵元采集到的信号长度。3.根据权利要求1所述的光声成像环形稀疏阵列信号预测方法，其特征在于，预设的起始阶段长度为400~600，以删除与目标物体无关的超声换能器自身反射的回波信号。4.根据权利要求1所述的光声成像环形稀疏阵列信号预测方法，其特征在于，将包含S个超声换能器阵元的环形超声换能器阵列作为稠密阵列，并将每个超声换能器按序编号为1,2,3
…
,512
…
S；以每间隔4个超声换能器阵元保留一个的形式组成一个S/4超声换能器阵元的环形超声换能器阵列，将该包含S/4个超声换能器阵元的环形超声换能器阵列作为稀疏阵列，并将每个超声换能器编号按序为1,5,9
…
S
‑
3。5.根据权利要求4所述的光声成像环形稀疏阵列信号预测方法，其特征在于，所述步骤S2具体为：从编号为1的超声换能器阵元采集的信号开始，按顺序取出编号为1+4K的超声换能器阵元的信号，作为训练数据集；从编号为2的超声换能器采集的信号开始，按顺序取出编号为2+4K的超声换能器信号，作为训练数据集的标签集；从编号为3的超声换能器采集的信号开始，...

【专利技术属性】
技术研发人员：王若凡，祝婧，施钧辉，李驰野，陈睿黾，
申请(专利权)人：之江实验室，
类型：发明
国别省市：