面向有限视野采样的光声成像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一种面向有限视野采样的光声成像阵列信号预测方法与装置，所述方法包括：通过光声成像阵列中的超声换能器探测被测物体组织反射的声压信号，将声压信号转化为电信号，并对电信号进行平稳性检验；通过自相关函数和偏自相关函数选取截尾数量和拖尾数量，再将截尾数量和拖尾数量进行两两组合基于贝叶斯信息准则确定光声成像阵列信号预测模型的阶数；根据阶数确定自回归滑动平均模型，再与LSTM网络进行加权，得到光声成像阵列信号预测模型；将经平稳性检验后得到的电信号输入至光声成像阵列信号预测模型进行预测，当光声成像阵列信号预测模型输出的光声信号数量达到预设的超声换能器数量时结束预测，得到预测的光声信号。光声信号。光声信号。

【技术实现步骤摘要】
面向有限视野采样的光声成像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，具体涉及一种面向有限视野采样的光声成像阵列信号预测方法与装置。

技术介绍

[0002]光声成像是一种非入侵式和非电离式的新型生物医学成像方法，其在生物组织内部结合了光学的高对比度和声学的高穿透性优点，在检测血氧含量、血管附近的恶性肿瘤方面具有极大的临床应用前景。阵列中超声换能器的数量、排布方式、排布密度对光声成像的结果有很大的影响，高质量的光声成像结果需要高密度的超声换能器阵元，大范围的空间排列以覆盖完整的探测视角。然而，受限于探测物体的几何形状与成像空间，被测物体周围无法放置视野全覆盖的高密度超声换能器阵列，并且此类阵列体积大，造价高，不易于临床大规模使用。小型的光声成像阵列包含的超声换能器数量少，它可以通过将超声换能器以特定方式排列，在有限的采样视野下，加快采样速度，但是存在图像重建的失真及伪影的干扰等缺陷。随着人工智能算法的发展，机器学习算法可以在有限采样条件下重建出高质量的光声成像，但是需要大量的已有图像数据集作为训练数据，训练成本较高，光声成像重建效率较低。
[0003]因此，亟需提出一种光声成像阵列信号预测方法，在有限视野的情况下，得到高质量的信号重建结果。

技术实现思路

[0004]针对现有技术的不足，提出了一种面向有限视野采样的光声成像阵列信号预测方法与装置。
[0005]本专利技术是通过以下技术方案实现的：
[0006]根据本专利技术实施例的第一方面，提供了一种面向有限视野采样的光声成像阵列信号预测方法，所述方法包括：
[0007]通过光声成像阵列中的超声换能器探测被测物体组织反射的声压信号，将声压信号转化为电信号，并对电信号进行平稳性检验；
[0008]通过自相关函数和偏自相关函数选取截尾数量和拖尾数量，再将截尾数量和拖尾数量进行两两组合基于贝叶斯信息准则确定光声成像阵列信号预测模型的阶数；
[0009]根据阶数确定自回归滑动平均模型，再与LSTM网络进行加权以此构建光声成像阵列信号预测模型；
[0010]将经平稳性检验后得到的电信号输入至光声成像阵列信号预测模型进行预测，当光声成像阵列信号预测模型输出的光声信号数量达到预设的超声换能器数量时结束预测，得到预测的光声信号。
[0011]根据本专利技术实施例的第二方面，提供了一种面向有限视野采样的光声成像阵列信号预测装置，包括一个或多个处理器，用于上述的面向有限视野采样的光声成像阵列信号
预测方法。
[0012]根据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，其上存储有程序该程序被处理器执行时，用于上述的面向有限视野采样的光声成像阵列信号预测方法。
[0013]与现有技术相比，本专利技术的有益效果是：本专利技术提供了一种面向有限视野采样的光声成像阵列信号预测方法与装置，针对小型的光声成像阵列在有限视野采样下存在图像重建的失真及伪影干扰的情况，通过自相关函数和偏自相关函数选取截尾数量和拖尾数量，再基于贝叶斯信息准则确定光声成像阵列信号预测模型的阶数，根据阶数并基于自回归滑动平均模型和LSTM网络构建光声成像阵列信号预测模型以对光声信号进行预测，通过预测的信号和采集的信号进行组合，重建出待测区域内准确的目标物体成像。
附图说明
[0014]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0015]图1是本专利技术实施例提供的小型的光声成像阵列有限采样示意图；
[0016]图2是本专利技术方法的流程图；
[0017]图3是本专利技术方法的流程框图；
[0018]图4是本专利技术实施例中提及的光声信号平稳性检验示意图；
[0019]图5是本专利技术实施例中光声成像阵列信号预测模型PSPM的定阶示意图；
[0020]图6是本专利技术提出的LSTM网络结构示意图；
[0021]图7是本专利技术提出的光声成像阵列信号预测模型PSPM的信号预测值与真实值对比结果图；
[0022]图8是本专利技术实施例中四分之一环形阵列有限采样下对模拟点光源的光声图像重建结果图；
[0023]图9是本专利技术实施例中使用光声成像阵列信号预测模型PSPM对四分之一环形阵列有限采样下的模拟点光源重建结果图；
[0024]图10是本专利技术实施例提供的一种电子设备的示意图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0026]需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
[0027]全环型光声成像装置具有高密度、高精度的超声换能器阵列，其开发成本较高，体积较大，不易于临床使用。手持式的小型光声成像阵列，通常是线性阵列，四分之一环阵列，这种阵列具有低成本，易使用的优势，但是由于空间阵元密度较低，成像结果存在偏差，在
有限的探测视野下无法形成准确的全空间成像。
[0028]本专利技术针对如图1所示的这种非全环形且无法覆盖足够成像区域的光声成像阵列，提供一种面向有限视野采样的光声成像阵列信号预测方法，结合自回归滑动平均模型(Autoregressive moving average model，ARMA)和长短记忆神经网络(Long Short
‑
term Memory Networks,LSTM)从有限采样的光声信号中预测阵列中视野未覆盖区域的超声换能器接收信号，以此来增加阵列信号密度，再利用反投影重建算法重建准确的且可以包含全视野下的高质量光声成像结果。
[0029]如图2和图3所示，本专利技术实施例提出的一种面向有限视野采样的光声成像阵列信号预测方法,可包括如下步骤：
[0030]步骤S1，通过光声成像阵列中的超声换能器探测被测物体组织反射的声压信号，将声压信号转化为电信号，并进行平稳性检验。
[0031]所述电信号表示为一个M
×
N矩阵，其中，N是单个超声换能器采集的信号长度，M是超声换能器数量。将该矩阵的每一行，即大小为(1,N)的向量，记为信号s
k
(t),k＝1,2
…
M。将该矩阵展开后的，即大小为(1,M
×
N)的向量记为信号S
t
，将信号S
t
作为本专利技术提出的光声成像阵列信号预测模型(Photoacoustic sensor data prediction model,PSPM)的输入信号。
[0032]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向有限视野采样的光声成像阵列信号预测方法，其特征在于，所述方法包括：通过光声成像阵列中的超声换能器探测被测物体组织反射的声压信号，将声压信号转化为电信号，并对电信号进行平稳性检验；通过自相关函数和偏自相关函数选取截尾数量和拖尾数量，再将截尾数量和拖尾数量进行两两组合基于贝叶斯信息准则确定光声成像阵列信号预测模型的阶数；根据阶数确定自回归滑动平均模型，再与LSTM网络进行加权以此构建光声成像阵列信号预测模型；将经平稳性检验后得到的电信号输入至光声成像阵列信号预测模型进行预测，当光声成像阵列信号预测模型输出的光声信号数量达到预设的超声换能器数量时结束预测，得到预测的光声信号。2.根据权利要求1所述的面向有限视野采样的光声成像阵列信号预测方法，其特征在于，对电信号进行平稳性检验包括：所述电信号表示为一个M
×
N矩阵，N是单个超声换能器采集的信号长度，M是超声换能器数量；对矩阵进行展开，将大小为(1,M
×
N)的向量记为信号S
t
；对信号S
t
进行ADF检验和KPSS检验，当检验结果ADF值等于1且KPSS值等于0，则通过检验；若检验结果ADF值不等于0或KPSS值不等于1，对信号s
t
进行差分处理，直至通过平稳性检验。3.根据权利要求1所述的面向有限视野采样的光声成像阵列信号预测方法，其特征在于，通过自相关函数和偏自相关函数选取截尾数量和拖尾数量，再将截尾数量和拖尾数量进行两两组合基于贝叶斯信息准则确定光声成像阵列信号预测模型的阶数包括：通过绘制自相关滞后系数图和偏相关滞后系数图选择截尾数量和拖尾数量，将截尾数量和拖尾数量进行两两组合计算每个组合的贝叶斯信息准则，得到贝叶斯信息准则矩阵；查找BIC矩阵中最小元素的位置，将该最小元素的位置记为第a行、第b列，光声成像阵列信号预测模型的阶数p＝a
‑
1、q＝b
‑
1。4.根据权利要求3所述的面向有限视野采样的光声成像阵列信号预测方法，其特征在于，光声成像阵列信号预测模型的表达式为：s
k
(t)＝αm
k
(t)+βn
k
(t)＝α(γ0+γ1s
t
‑1+
…
+γ
p
S
t
‑
p
+ε
t
+c1ε
t
‑1+
…
+c
q
ε
t
‑
q
)+βn
k
(t)其中，s
k
(t)是光声成像阵列信号预测模型对第k个超声换能器采集的信号的预测结果，m
k
(t)是自回归滑动平均模型对第k个超声换能器采集的信号的预测结果，n
k
(t)是LSTM网络对第k个超声换能器采集的信号的预测结果，α和β是权重系数，α+β＝1；
i
是自回归系数，i＝0,1
…
p，S<...

【专利技术属性】
技术研发人员：王若凡，施钧辉，陈锋，祝婧，李驰野，孟彧仟，王铉皓，
申请(专利权)人：之江实验室，
类型：发明
国别省市：