超声图像重建方法、系统、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115100069A(43)申请公布日2022.09.23(21)申请号202210814598.2(22)申请日2022.07.12(71)申请人清华大学地址100084北京市海淀区100084信箱82分箱清华大学专利办公室(72)发明人罗建文张经科何琼(74)专利代理机构北京纪凯知识产权代理有限公司11245专利代理师刘美丽(51)Int.Cl.G06T5/00(2006.01)G06T3/40(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书11页附图2页(54)发明名称超声图像重建方法、系统、设备及介质(57)摘要本发明涉及一种超声图像重建方法、系统、设备及介质，包括建立描述超声系统所接收的RF通道数据和待求波束合成后数据间关系的测量模型和/或测量矩阵；通过向成像目标发射超声波并接收回波信号，获得反映该目标声学特性的RF通道数据；基于RF通道数据和测量矩阵，基于预先训练的求解波束合成逆问题的神经网络获得高质量的波束合成数据，完成超声图像重建。因此，本发明能够大幅缩短单幅图像的重建时间，使得短时间内重建多幅图像并进行相干复合，进一步提高图像质量。CN115100069ACN115100069A权利要求书1/2页1.一种超声图像重建方法，其特征在于包括：建立描述超声系统所接收的RF通道数据和待求波束合成后数据间关系的测量模型和/或测量矩阵；通过向成像目标发射超声波并接收回波信号，获得反映该目标声学特性的RF通道数据；基于RF通道数据和测量模型和/或测量矩阵，基于预先训练的求解波束合成逆问题的神经网络获得高质量的波束合成数据，完成超声图像重建。2.根据权利要求1所述的超声图像重建方法，其特征在于，描述超声系统所接收的RF通道数据和待求波束合成后数据间的测量模型包括线性测量模型和非线性测量模型。3.根据权利要求2所述的超声图像重建方法，其特征在于，描述超声系统所接收到的RF通道数据和待求波束合成后数据间的线性测量模型为：y＝Hx+n其中，是测量矩阵，是加性高斯噪声，r＝D×K是RF通道数据的总采样点个数，共有K个通道，每个通道包含D个采样点，l＝Nz×Nx是波束合成后数据的总网格点数，共有Nx条成像线，每条成像线包含Nz个像素点。4.根据权利要求1所述的超声图像重建方法，其特征在于，建立测量模型和/或测量矩阵的步骤包括：1)在成像区域内放置点散射子目标；2)获取超声通道数据；3)计算超声通道数据的强度直方图及其累积分布函数；4)依据累积分布函数生成二值化掩膜；5)将掩膜与点目标配对，并将掩膜施加于通道数据上提取该点散射子目标对应的回波信号；6)重复步骤1)‑5)，直到完成成像区域中所有网格点处对应的回波信号；7)将成像区域每个网格点的回波信号依次重排为测量矩阵的每一列，获得测量矩阵。5.根据权利要求1所述的超声图像重建方法，其特征在于，求解波束合成逆问题的神经网络的训练，包括：设置神经网络的相关参数；设置均方误差损失函数；针对超声信号特征的先验知识设置相关约束项损失函数；基于设置的神经网络的相关参数、均方误差损失函数和相关约束项损失函数，采用自监督学习的策略完成求解波束合成逆问题的神经网络的训练。6.根据权利要求5所述的超声图像重建方法，其特征在于，针对超声信号特征的先验知识设置相关约束项损失函数，包括：小波域内的稀疏性约束函数；空间域内的平滑性约束函数；信号包络的稀疏约束函数。7.根据权利要求5所述的图像重建方法，其特征在于，采用自监督学习的策略完成求解波束合成逆问题的神经网络的训练，包括：2CN115100069A权利要求书2/2页训练阶段1：初始解被同时用作神经网络的输入和标签，并通过最小化初始解和恢复解间的均方误差训练得到信号恢复网络，也即自编码器；训练阶段2：网络重建所得的高质量解x′被用于恢复得到其对应的通道数据y′＝Hx′，并通过最小化测量所得通道数据y和恢复通道数据y′间的均方误差损失函数，并引入相关约束项损失函数，训练得到用于求解波束合成逆问题的网络，其中，在每个阶段中都先将超声通道数据通过反投影方法生成波束合成逆问题的初始解作为网络的输入，然后通过神经网络将其映射为目标解。8.一种超声图像重建系统，其特征在于，该系统包括：第一单元，被配置为建立描述超声系统所接收的RF通道数据和待求波束合成后数据间关系的测量模型和/或测量矩阵；第二单元，被配置为通过向成像目标发射超声波并接收回波信号，获得反映该目标声学特性的RF通道数据；第三单元，被配置为基于RF通道数据和测量矩阵和/或测量矩阵，基于预先训练的求解波束合成逆问题的神经网络获得高质量的波束合成数据，完成超声图像重建。9.一种电子设备，其特征在