一种适用于平面波超声成像的波束合成方法

一种适用于平面波超声成像的波束合成方法

基于平面波发射的超声成像技术超声成像在医学诊断中具有安全、方法简单、价格低廉、能够区分不同的软组织等优点。此外，新的原则和方法的不断出现，使超声成像在各级医院得到了广泛应用。传统的超声成像通常采用电子扫描的方式,进行多次聚焦发射来获得一幅完整的图像,所以成像帧频较低。此外,为了控制各阵元发射,需要复杂的控制电路控制产生具有不同延时的高压脉冲,使得电路结构过于复杂。随着实时三维超声成像、高速多普勒血流测量、速度向量估计、瞬态弹性成像等技术的出现,加速了对高帧频成像的需求。其中一种提高成像帧频的方法是引入平面波发射,该方法把换能器所有阵元作为发射和接收孔径,采用相同的高压脉冲,同时激励换能器各阵元产生平面波,通过一次发射即可覆盖整个成像区域,很大程度上提高了成像的帧频。此外,平面波发射采用相同的激励脉冲,只需要一组高压脉冲产生电路,大大降低了控制电路的复杂性。虽然平面波发射可以提高成像帧频,降低控制电路规模和复杂度,但由于没有采用聚焦发射,与常规聚焦发射相比获得的图像信噪比、对比度和分辨率较差。为了解决这个问题,需要一种适合于平面波发射的波束合成方法。目前,应用最广泛的超声波束合成方法是延时叠加(delay-and-sum,DAS)法,它通过对各个通道进行适当的延时叠加来实现聚焦以及波束合成。但是DAS方法采用独立于接收回波信号并且采用预先定义好的、固定的加权系数,没有充分利用回波数据的本身特点,获得的主瓣宽度过宽,旁瓣高度过高。而且主瓣宽度和旁瓣高度之间存在着相互制约,即当抑制旁瓣水平的同时会展宽主瓣宽度,因此不能够获得很好的图像分辨率和对比度。此外DAS方法应用到基于平面波发射的超声成像系统时,会得到很差的图像分辨率和对比度,因此也不适用于基于平面波发射的超声成像系统。自适应波束合成方法的提出可以很大程度上提高成像分辨率和对比度,而且应用到基于平面波发射的超声成像系统时,能够获得很好的成像效果。其中应用最广泛的一种方法是由Capon在1969年提出的Capon算法或者称为最小方差(minimumvariance,MV)算法,但是这种方法只适用于窄带以及非相关信号,而且算法鲁棒性(robustness)和获得的背景斑点噪声数据较差,不能直接应用到超声成像中。为了使其能够应用于超声成像,需要解决以下问题:一是解决算法只适用于窄带波束的情况,使其适用于宽带波束;二是解决算法只适用于非相关回波信号的情况,使其适用于具有相关性的超声回波信号;三是解决算法鲁棒性和所获背景斑点噪声数据差的情况,来提高算法的鲁棒性和对背景斑点噪声数据的估计。为了解决以上问题,Holfort等在频率域采用子带波束合成(subbandbeamfoming)的方法,使该算法扩展到了宽带领域;Sasso等采用子孔径平均法(subapertureaveraging)消除了信号之间的相关性;Synnevåg等综合采用对角线加载法(diagonalloading)、空间平均法(spatialaveraging)以及时间平均法(temporalaveraging)提高了算法的稳健性和对背景斑点噪声数据的估计;Asl等提出了前后向空间平均法(forward-backwardspatialaveraging),使其能够在消除信号间相关性的同时,提高算法的稳健性和对背景斑点噪声数据的估计。基于以上阐述,为了使MV算法在超声成像中获得更好的图像分辨率、对比度和帧频,使其适用于平面波发射。本文在频率域内将子带波束合成和前后向空间平滑法相结合,提出了一种适用于平面波超声成像的优化后MV(OptimizedMV)算法。该算法综合利用了两方法在消除信号间的相关性,提高算法的稳健性,提高对背景斑点噪声数据的估计以及适用于宽带波束信号的能力。为了验证OptimizedMV算法的有效性,本文通过matlab仿真,与传统的MV(ConventionalMV)算法、采用Boxcar变迹函数的DAS(DASboxcar)算法以及采用线性扫描聚焦发射接收(Linearscan)算法在分辨率和对比度等方面做了比较。1种适用于平面波发射的optimizedvm算法MV自适应波束合成算法能够根据回波信号本身的特点,动态地生成一系列的加权系数,可以在减小主瓣宽度的同时更好地抑制旁瓣高度,在减小主瓣宽度和抑制旁瓣高度之间不存在相互制约,因此能够同时获得很好的图像分辨率和对比度。然而如上文所述,MV算法在应用到超声成像时存在很多缺点,针对这些缺点,本文提出了一种适用于平面波发射的OptimizedMV算法。该算法将MV算法、子带波束合成法和前后向空间平滑法相结合应用到频率域内,在频率域内根据回波信号的特点,动态产生一系列的加权系数,从而很好地解决了以上缺点。1.1波束合成结果求解设一个线性换能器由M个阵元组成,波束合成作用在每一通道的输出采样数据xm[n]之上。由此所得超声图像在一个聚焦点处的波束合成结果如式(1),即y[n]=∑m=0M−1wm∗[n]xm[n−Δm[n]]=w[n]HX[n]y[n]=∑m=0Μ-1wm*[n]xm[n-Δm[n]]=w[n]ΗX[n],(1)其中wm[n]表示根据所接收回波信号动态生成的加权系数;Δm[n]表示m阵元在采样点n处的延时时间;X[n]=[x0[n-Δ0[n]],x1[n-Δ1[n]],…,xM-1[n-ΔM-1[n]]]T;w[n]=[w0[n],w1[n],…,wM-1[n]]T;*为复共轭;T为反转;H为反转共轭。为了求解最优权向量w[n],可以归结为解决式(2)所示的最优化问题。minwwHRwsubjecttowHe=1,minwwΗRwsubjecttowΗe=1,(2)其中R=E[X[n]X[n]H]表示协方差矩阵;E为求期望操作符;e为方向向量。由于接收数据实现已经经过延时处理,所以此处e为全为1的向量。MV算法求出的最优权向量如式(3),将求解出的权向量w代入式(1)即得到波束合成结果。w=R−1eeHR−1ew=R-1eeΗR-1e,(3)1.2窄带波束合成MV算法是基于窄带波束提出来的,且通常应用在时域内,不能直接应用到宽带波束中。为了解决这个问题Holfort等将MV算法应用到了频率域,并获得了很好的效果。本文在此基础上在频率域内采用子带波束合成的方法,通过离散傅里叶变换(discreteFouriertransform,DFT),将宽带波束分割为一系列子带波束。这些子带波束满足窄带波束的条件,可以直接通过MV算法进行处理,其实现框图如图1所示。其中宽带波束经过DFT分割成一系列的窄带波束信号,每一个窄带波束信号都独立地通过窄带波束合成子模块,经过求和、逆傅里叶变换(inversediscreteFouriertransform,IDFT),即可得到宽带波束合成的输出结果。通过子带波束合成的方法可以为每一个子带和每一个成像聚焦点分别提供不同的加权系数,从而使得宽带波束经过DFT变化后,能够完全应用MV算法的优势来进行波束合成,从而提高成像的分辨率和对比度。其中窄带波束合成为每一个子带进行波束合成处理,对于某一给定的聚焦点以及每一频率子带w的波束合成输出结果如式(4),即y[w]=∑m=0M−1wm∗[w]Ym[w]=w[w]HY[w]y[w]=∑m=0Μ-1wm*[w]Ym[w]=w[w]ΗY[w],(4)其中w[w]=[w0[w],w1[w],…,wM-1[w]]T;Y[w]=[Y0[w],Y1[w],…,YM-1[w]]T;Ym(w)是m阵元接收回波信号中选定片段的DFT变换结果。1.3子阵列平均法准确的估计阵列协方差矩阵R在自适应波束合成方法的设计过程中是非常重要的,直接关系到自适应波束合成的效果,直接影响成像的分辨率和对比度。阵列协方差矩阵估计得越准确,超声图像的分辨率和对比度就会越好。本文结合子带波束合成方法将前后向空间平滑法应用到频率域来求解阵列协方差矩阵R,该方法能够在消除信号间相关性的同时,提高算法的稳健性以及对背景斑点噪声数据的估计,即能够准确地估计阵列协方差矩阵R。前后向空间平滑法是在前向空间平滑法(forwardspatialaveraging)或者称为子孔径平均法(subapertureaveraging)、子阵列平均法(subarrayaveraging)的基础上提出的。子阵列平均法是在计算协方差矩阵R时常用到的方法,其实质就是空间平滑的一种技术,将获得的接收数据分割成一些小的分组,对这些小组中的数据进行处理来获得最终的结果。设将M个阵元分成P=M-L+1个相互重叠的子阵列,通过该方法得到的协方差矩阵如式(5),即FR=1P∑p=0P−1GFPGHFPFR=1Ρ∑p=0Ρ-1GFΡGFΡΗ,(5)其中GFP=[Yp[w],Yp+1[w],…,Yp+L-1[w]]T,p=1,2,…,P;L表示子阵列的长度。式(5)又被称为前向空间平滑法。根据文献可以用GBP=[YP+L-p[w],YP+L-1-p[w],…,YP-p+1[w]]T,p=1,2,…,P来代替GFP,后向空间平滑法如式(6)。BR=1P∑p=0P−1GBPGHBPBR=1Ρ∑p=0Ρ-1GBΡGBΡΗ,(6)结合式(5)、(6)得出前后向空间平滑法如式(7):R=12(FR+BR)R=12(FR+BR),(7)将R代入式(3)中即可根据回波信号动态的求解出加权系数。由于GFP的求解过程降低了协方差矩阵R的维数,计算出来的加权系数维数也相应减小,设为w¯¯¯w¯,因此需要将计算出来的加权系数作用到P个子阵列的平均值上即最终的波束合成结果如式(8)。y=w¯¯¯H1P∑p=0P−1GFPy=w¯Η1Ρ∑p=0Ρ-1GFΡ,(8)2nze工作特性仿真为了验证OptimizedMV算法的有效性,本文通过FieldII等超声仿真程序,通过设置换能器、工作方式等参数,获得换能器的接收信号数据。通过对接收信号进行算法处理,分别与ConventionalMV、DASboxcar、Linearscan方法在分辨率和对比度等方面做了比较。其详细仿真参数如表1所示。本文所有的仿真实验均采用线性阵列换能器和动态聚焦接收的工作方式,其中Linearscan方法采用传统的线性扫描聚焦发射的方式实现,其他方法均采用平面波发射的方式,在对算法进行仿真时,将每一通道的回波信号添加一个信噪比为60dB的高斯分布的白噪声,其中OptimizedMV算法将子阵列的大小L取值为32,ConventionalMV算法采用将MV算法和前向空间平滑法相结合的方法,其中L也取值为32。2.1多发射聚焦点传统的超声成像系统采用线性扫描、聚焦发射的方法来进行超声成像,如图2(a)所示。聚焦发射通过电子延时的方法将不同延时的脉冲激励加到换能器各个阵元上,从而使各个阵元产生的超声发射波束在空间的某个点上相交产生发射聚焦点。聚焦发射允许在一条扫描线上发射多次,产生多个发射聚焦点,但这样会很大程度上降低系统成像帧频。本文的仿真实验采用在一条扫描线上的45mm处产生一个发射聚焦点,为了使扫描线覆盖整个成像区域,我们采用一个很大的换能器阵列,将部分换能器阵元128阵元作为发射接收孔径,采用线性扫描的方法沿着成像区域平滑地移动,最终形成整个成像区域的扫描线。在Linearscan方法中我们将采用hanning窗作为发射和接收变迹函数。2.2换能器阵元的产生平面波发射是为了提高超声成像帧频的一种方法,它通过将换能器的所有阵元作为发射和接收孔径,利用高压脉冲产生电路同时激励各换能器阵元所产生,如图2(b)所示。通过平面波发射,整个成像区域的扫描线可以通过一次脉冲激励发射来获得,不需要线性扫描方法来覆盖整个成像区域,从而在很大程度上简化了脉冲激励产生电路的复杂度。本文的仿真实验采用128阵元的平面波发射,发射变迹函数采用Boxcar,接收变迹函数分别采用OptimizedMV、ConventionalMV和Boxcar。3在横向变化曲线上横向变化曲线,横向变化曲线,横向标准文仿真实验采用13个点散射目标进行验证,点散射目标仿真的成像深度为25～65mm,13个散射点有规律地分布在30～60mm之间,各点之间的间隔为5mm。图3分别为Linearscan、DASboxcar、ConventionalMV以及OptimizedMV算法在不同深度散射点的成像结果。从图3可以得出:OptimizedMV算法得到的分辨率和对比度最好;ConventionalMV对比度、分辨率比DASboxcar、Linearscan好;Linearscan分辨率比DASboxcar好,但对比度比后者差。为了进一步分析不同方法分辨率和对比度的情况,在图3的{40,45}mm处截取横截面进行分析。图4为各种方法在{40,45}mm处横截面的横向变化曲线(lateralvariation)图。表2列出了各方法在40mm处半高全宽(fullwidthathalfmaximum,FWHM)和峰值旁瓣水平(peakside-lobelevel,PSL)两项指标的对比。FWHM是一个度量长度的量,是指主瓣峰值一半处波形宽度,常应用于持续时间的脉冲波形,光通信中的光源频谱宽度以及光谱仪分辨率。在此处FWHM越小表示图像分辨率越好。PSL是指主瓣峰值强度对于最强旁瓣的峰值强度之比。此处PSL越小表示旁瓣抑制得越好,图像对比度越好。从图4可以得出:OptimizedMV算法获得的主瓣宽度最窄,旁瓣高度最低;ConventionalMV次之;Linearscan获得的旁瓣高度比DASboxcar低。由于动态聚焦发射和接收,Linearscan与DASbox-car相比获得的超声图像具有更好的图像分辨率和对比度;DASboxcar应用到平面波超声成像时获得很差的对比度和分辨率,不适用于基于平面波的超声成像;ConventionalMV和OptimizedMV与DASboxcar相比能够显著提高图像分辨率和对比度,即