一种基于点扩散函数参数优化的掌上超声成像方法技术

本发明专利技术公开了一种基于点扩散函数参数优化的掌上超声成像方法，所述方法包括如下步骤：步骤一：基于衍射方程将点扩散函数建模为孔径权重的函数；步骤二：基于评价指标最优化窗函数；步骤三：引入系数加权对角矩阵并完成参数优化

【技术实现步骤摘要】
一种基于点扩散函数参数优化的掌上超声成像方法


[0001]本专利技术涉及一种医疗图像领域的掌上超声成像方法，具体涉及一种基于点扩散函数参数优化的掌上超声成像方法
。

技术介绍

[0002]医疗健康在国民生活中占据着重要地位
。
良好的医疗影像技术可以辅助医疗工作者们正确而又迅速地对患者的病情做出诊断
。
超声成像技术作为现代医疗领域中运用最广泛的医疗影像技术之一，在现代医疗中占据重要地位，是智慧医疗的重要组成部分
。
同其他不断进步的医学技术一样，超声设备也不断向小型化
、
智能化方向发展，并可以连接至移动设备终端
。
掌上超声也逐渐成为了超声成像发展的一大趋势
。
为了提高医疗诊断的准确性，掌上超声的图像需要进一步提高其图像质量，从而更好地辅助诊断
。
目前在业内得到广泛应用的方法主要包括波束形成
、
聚焦
、
变形
、
动态孔径等技术
。
这些技术都从超声成像系统的某一参数入手，从而优化超声图像的图像质量
。
然而，超声成像系统非常复杂，其成像效果会同时受到多种因素的影响
。
单独地调整某一参数可能无法很好地考虑所有因素对图像的影响，并不能保证找到最优解
。
[0003]在图像增强领域中，比起某一单独的系统参数，点扩散函数是更受人们关注的核心概念之一
。
点扩散函数描述了成像系统对点源或点对象的响应，是系统特性的一种体现，可以用来表示图像经过衍射等过程后退化的特征
。
想要提高图像质量，就需要尽可能减小点扩散函数对超声图像的影响
。
如果能够确定点扩散函数，就可以直接通过解卷积等方法实现图像增强，而不必对超声成像系统的各类参数进行反复试验
、
调整
。
然而，点扩散函数是系统的特性之一，会随着超声成像系统中各个参数的改变而改变，难以正向建模
。
[0004]掌上超声虽然在近几年有较好的发展，但是其体积和性能受限，急需提升其成像质量
。
针对超声图像的复原以及点扩散函数的估计已经成为业内近年来关注的热点问题，国内外在近几年的研究中也已经取得了一些研究成果
。
目前领域内提出的点扩散函数估计的方法大多都没有考虑点扩散函数的空间移变性，而是选择忽略其空间移变性从而简化点扩散函数估计的过程，减少计算量
。
但是，想要精确地复原出掌上超声图像的细节部分，提升掌上超声的图像质量，就不可避免地要考虑到点扩散函数的空间移变性
。
因此，现有的研究方法并不能精准地复原出图像的细节，有必要提出一种新的点扩散函数建模方案，在考虑点扩散函数空间移变性的同时，使得系统实际的点扩散函数接近期望点扩散函数
。

技术实现思路

[0005]鉴于现有的技术并未考虑点扩散函数的空间移变性，无法精准地复原出图像的细节，导致掌上超声图像的整体质量仍有待改进，本专利技术基于点扩散函数的特性，针对掌上超声的图像质量受限问题，提供了一种基于点扩散函数参数优化的掌上超声成像方法
。
[0006]本专利技术的目的是通过以下技术方案实现的：
[0007]一种基于点扩散函数参数优化的掌上超声成像方法，包括如下步骤：
[0008]步骤一：基于衍射方程将点扩散函数建模为孔径权重的函数
[0009]基于点扩散函数的特性，将点扩散函数建模为孔径权重和传播函数的乘积，基于相关理论完成数学建模以及矩阵维度确认，具体步骤如下：
[0010]步骤一一：在连续波模拟情况下，所有的换能器阵元都被视为点源，在此基础上加入倾角因子，用于解释有限的元素角响应，并包括在传播函数中，加入倾角因子后，在任意点处的由阵元产生的超声场的传播函数为：
[0011][0012]其中，
S
是传播函数，
exp()
是基于高等数学中自然常数
e
的指数函数，
j
是虚数单位，
R
为从所有阵元分别指向各个场点的向量的长度所构成的矩阵，
k
为波数，
η
是指从所有阵元分别指向各个场点的向量与垂直于换能器平面的向量之间的夹角
θ
的余弦值所构成的矩阵；
[0013]步骤一二：将超声成像系统的点扩散函数建模为传播函数和孔径权重矩阵的乘积，从而建立起点扩散函数与孔径权重矩阵之间的联系，利用线性代数的方法计算系统实际的点扩散函数与期望点扩散函数之间的平方和误差，并使该误差最小化，用最小二乘法求解出最优的孔径加权，该过程的数学表达式如下所示：
[0014][0015][0016][0017][0018][0019]其中，为期望的点扩散函数，
P
为系统实际的点扩散函数，
W
代表孔径权重矩阵，
SSE
表示平方和误差，上标“H”代表共轭转置符号，上标“#”代表矩阵的伪逆，上标
“‑
1”代表矩阵的逆；
[0020]步骤二：基于评价指标最优化窗函数
[0021]步骤二一：基于半峰全宽
、
灰度平方和以及灰度方差3组图像质量评价指标生成综合指标：
[0022]C
＝
α
*G
var
+
β
*G
SS
+
γ
*FWHM
[0023]FWHM
＝
f2‑
f1[0024][0025][0026]其中，
C
是综合指标，
α
、
β
、
γ
分别代表灰度方差
、
灰度平方和
、FWHM
三组指标对于综合指标的影响，“*”代表加权值与指标值的乘法；
FWHM
是半峰全宽，
f1是灰度值初次达到最
大灰度值一半时的像素点序号，
f2是灰度值最后一次达到最大灰度值一半时的像素点序号；
G
SS
是灰度平方和，
i
是像素点序号，
h(i)
为各个像素点对应的灰度值，
l
是像素点的总数，
m
和
m+1
代表目标点的像素点序号；
G
var
是灰度方差，
h(i)
为各个像素点对应的灰度值，是各个像素点对应的灰度值的平均值；
[0027]步骤二二：基于综合指标进行窗函数的择优，以作为期望的点扩散函数；
[0028]步骤三：引入系数加权对角矩阵并完成参数优化
[0029]步骤三一：将探测深度划分为三个探测区域，在不同的探测深度范围内对期望的点扩散函数施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于点扩散函数参数优化的掌上超声成像方法，其特征在于所述方法包括如下步骤：步骤一：基于衍射方程将点扩散函数建模为孔径权重的函数基于点扩散函数的特性，将点扩散函数建模为孔径权重和传播函数的乘积，基于相关理论完成数学建模以及矩阵维度确认；步骤二：基于评价指标最优化窗函数步骤二一：基于半峰全宽
、
灰度平方和以及灰度方差3组图像质量评价指标生成综合指标：
C
＝
α
*G
var
+
β
*G
SS
+
γ
*FWHMFWHM
＝
f2‑
f
11
其中，
C
是综合指标，
α
、
β
、
γ
分别代表灰度方差
、
灰度平方和
、FWHM
三组指标对于综合指标的影响，“*”代表加权值与指标值的乘法；
FWHM
是半峰全宽，
f1是灰度值初次达到最大灰度值一半时的像素点序号，
f2是灰度值最后一次达到最大灰度值一半时的像素点序号；
G
SS
是灰度平方和，
i
是像素点序号，
h(i)
为各个像素点对应的灰度值，
l
是像素点的总数，
m
和
m+1
代表目标点的像素点序号；
G
var
是灰度方差，
h(i)
为各个像素点对应的灰度值，是各个像素点对应的灰度值的平均值；步骤二二：基于综合指标进行窗函数的择优，以作为期望的点扩散函数；步骤三：引入系数加权对角矩阵并完成参数优化步骤三一：将探测深度划分为三个探测区域，在不同的探测深度范围内对期望的点扩散函数施加不同的加权值，即引入系数加权对角矩阵，从而实现点扩散函数的空间移变性，其中，对于每个探测区域，对期望的点扩散函数施加一种加权值，此时的点扩散函数模型如下所示：其中，
B
是系数加权对角矩阵，该矩阵对角线上的元素值
ω1,
…
,
ω
n
是在每一个采样点深度处对期望点扩散函数施加的加权值，
n
是最大采样点深度对应的序号；此时
SSE
改写为基于此式求出最优的孔径权重矩阵为：步骤三二：在传播函数和窗函数已定的情况下，基于多目...

【专利技术属性】
技术研发人员：章欣，郑婕，沈毅，王艳，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：