Page 59 - 《应用声学》2020年第6期

第 39 卷 第 6 期 田淑爱等： 结合空化微泡母小波变换的高空化噪声比超快速主动空化成像方法 853

矩阵R(t)： 数，图像空间分辨率和对比度均有所提高，空化
M−L+1 图像质量最佳。图 4(d)、图 4(f) 和图 4(h) 是 CBWT
1 ∑ l l H
R(t) = X (t)X (t) . (5) 后，CBWT 技术结合 3 种波束合成算法后的空化图
M − L + 1
l=1
像。将图 4(d)、图 4(f) 和图 4(h) 与图 4(c)、图 4(e)、
用 R(t) + γI 来代替 R(t)，实现对角线加载，其中 I
图 4(g) 进行比较，图像的噪声有所减少，空化图像
为单位矩阵，γ = ∆ · trace{R(t)}，trace{R(t)} 为相
质量有所提高，说明 CBWT 对周围组织和噪声有
关矩阵的迹，∆ 为算法加入的空间噪声与信号功率
抑制作用。CBWT 是应用小波变换的解相关算法，
比。取 a 为单位向量，并用式 (4) 的 R(t) 计算最优
将预测的回波信号与空化信号进行小波变换构建
加权系数w(t)：
空化微泡母小波，得到的小波系数与原始的回波
−1
R(t) a
w(t) = −1 . (6) 信号具有很高的相似性。波束合成算法效果中，在
H
a R(t) a
CBWT 前后，MVCF 算法最佳，整体最佳效果为
计算 X(t) 的相干系数 (Coherence factor, CF)，CF
CBWT-MVCF。
定义为相干方向的能量与阵元信号总能量的比值：
空化噪声比 (CNR) 是评价空化图像质量的重
2
∑ M
X(m, t) 要指标，其表达式为
m=1
CF(t) = ∑ M . (7)
M |X(m, t)| 2 CNR = 10 lg(I cavitation /I noise ), (10)
m=1
⌢
该目标点的最优输出 y(t)： 其中，I cavitation 指的是 ROIs 区域空化的平均强度，
ROIs 区域选择为空化微泡区域；I noise 指的是同等
M−L+1
CF(t) ∑
⌢ H l
y(t) = w (t)X (t). (8) 面积大小下周围噪声的平均强度。
M − L + 1
l=1 表 2 是 CBWT 前后空化图像 CNR 值的对比。
2.3 SSD数字减影算法
通过表中的数据发现，使用 CBWT 后，进行波束合
数字减影是一种基于 B 超视频数据的处理方 成对于图像CNR有一定提升。DAS算法的CNR值
法，通过减影法可以消除两幅图像之间的差异，从而 提高了0.27 dB，MV算法的CNR值提高了0.36 dB，
消除了背景噪声带来的高回声影响。本文采用平方 MVCF算法的CNR值提高了1.17 dB。CBWT中构
差求和数字减影算法，即 SSD 数字减影算法，计算 造母小波与空化微泡信号的相关性较高，CBWT 技
公式如下： 术抑制了周围噪声和组织信号。通过研究分析，在
n−1 n−1
2 2 CBWT后，CBWT-MVCF效果最佳，空化图像质量
∑ ∑ [
DI(z, x) = I n (z + i, x + j) 较好。
n−1 n−1
j=− i=−
2 2
] 2 表 2 CWBT 前后空化图像的 CNR 值
− I b (z + i, x + j) , (9)
Table 2 The CNRs of cavitation images
其中，I n (z, x)、I b (z, x) 分别表示聚焦照射不同时间 before and after CWBT
的 B 超图像，z 为深度，x 为扫描方向，n 为计算的
算法 CNR/dB 算法 CNR/dB
窗宽。
DAS 7.52 CBWT-DAS 7.79
MV 6.48 CBWT-MV 6.84
3 结果与讨论
MVCF 21.54 CBWT-MVCF 22.70
图 4 是尺度为 23 时 CBWT 前后 3 种波束合成 图 5 是 CBWT 对 于 3 种 波 束 合 成 算 法 结 合
算法空化图像对比结果。图4(a)是空化原始数据直 SSD 减影图像的对比，图 5(a)、图 5(c) 和图 5(e) 是
接成像效果图。图 4(c)、图 4(e) 和图 4(g) 是 CBWT CBWT 前波束合成进行了 SSD 数字减影，图 5(b)、
前，3 种不同的波束合成算法对图像的质量的影 图 5(d) 和图 5(f)是CBWT后波束合成进行 SSD 数
响，DAS 和 MV 波束合成算法周围噪声影响较大； 字减影。SSD减影算法很大程度上抑制了周围组织
MV 算法提高了空间分辨率，但是没有提高对比 和噪声，图像分辨率得到提高，进一步提高了空化图
度；MVCF 算法是在 MV 算法基础上加入了相关系 像的质量。