Page 32 - 《应用声学》2021年第1期
P. 32
28 2021 年 1 月
被引入波束合成中，以解决传统DAS方法图像质量 束合成方法在分辨率和对比度上都展现了较大的
不佳以及自适应波束合成和基于逆问题求解时计 提升；然而，其高计算复杂度的特点，不适合应用
算复杂度过高的问题。需要注意的是，深度学习是 于实时高帧频的平面波成像中。Luijten 等 [41] MV
数据驱动的方法，其通常包括训练和推理两个阶段。 方法生成波束合成中各通道变迹的标签，通过训练
在训练阶段，需要耗费大量时间人工收集并标注海 全连接神经网络 (Fully connected network, FCN)
量的数据以供神经网络去提取有意义的特征。而当 来高效计算波束合成中最优的接收变迹，流程图及
网络训练完成后，神经网络中的权重将随之固定，建 结果对比如图 7所示。Khan等 [42] 通过训练全卷积
立稳定的映射关系，在今后的推理过程中，神经网络 网络完成了从延时后的降采样通道数据到自适应
可以迅速从输入数据中映射得到目标输出，降低了 波束合成后包络信号的映射。Wiacek 等 [43] 通过训
计算复杂度。除此之外，神经网络的性能取决于网 练全连接网络完成了从延时后通道数据到归一化
络结构的选择、网络参数的调优以及损失函数的选 空间相关性的映射，以得到最终的 SLSC 图像。上
取等众多因素。目前还是被当作“黑盒子”使用，通 述 3 种方法均有效地保留了传统自适应波束合成
过大量试错以优化定量指标来确认最优参数，这也 方法的优势，并极大地降低了计算复杂度。Luchies
增加了许多人工成本。神经网络的泛化能力也是需 等 [44] 利用神经网络在频率域对延时后通道数据进
要重点关注的问题，通常其在处理与训练数据相似 行波束合成前的预处理，以若干全连接神经网络对
的输入时会有更好的表现，因此在优化神经网络时 于频率域中的不同成分进行处理以压制离轴散射
还应通过扩充训练集或使用验证集的方法使其具 信号，并以傅里叶逆变换还原时域通道信号以进行
有更好的泛化能力。 波束合成；该方法有效地将旁瓣的强度压制至比传
统 DAS方法低 60 dB，进而显著提升了图像的对比
3.1 基于深度学习的自适应波束合成器 度指标。由于该类方法将传统方法的结果作为其训
多种自适应波束合成方法在平面波成像中均 练神经网络的金标准，因此传统方法的性能也决定
得到良好的应用。相比于传统 DAS算法，自适应波 了所训练神经网络的性能。
۳̆ງएߦ˸ᄊฉౌՌੇ٨
10 10
w
∆ 20 20
w
∆
∆ w S ງए/mm 30 ງए/mm 30
ᒭᤠऄԫᤜ
40 40
∆ n w n
DNN ԦՔ͜୧ 50 -10 0 10 50 -10 0 10
ഷՔᡰሏ/mm ഷՔᡰሏ/mm
(a) ۳̆ງएߦ˸ᄊᒭᤠऄฉౌՌੇืሮڏ
(b) ͜ፒMVவขฉౌՌੇՑፇ౧ (c) ງएߦ˸வขฉౌՌੇՑፇ౧
图 7 基于深度学习的自适应波束合成 [41]
Fig. 7 Adaptive beamforming by deep learning [41]
3.2 基于深度学习的端到端波束合成器 卷积神经网络从单次平面波发射的原始通道数据
中提取特征，并直接重建得到波束合成后的 B 模
上述工作在改善图像质量方面都展现出了较
好的效果。但是，这些方法需要通过传统方法生 式图像和囊肿的分割图像。其中，DAS 波束合成的
成训练数据集，在将通道数据输入神经网络前还 数据及其分割结果被作为金标准，结合平均绝对
需要对通道数据进行延时预处理。目前，已有少量 误差 (Mean absolute error, MAE) 以及戴斯相似性
研究尝试通过深度学习直接从通道数据中重建出 系数 (Dice similarity coefficient, DSC) 作为损失函
超声图像，也即训练神经网络完成从输入的通道 数，用于训练深度神经网络(Deep neural networks,
数据到波束合成后数据的映射。Nair 等 [45] 通过全 DNN)。图8包含该方法的流程图及结果对比。可以
