Page 33 - 《应用声学》2021年第1期

第 40 卷 第 1 期 张经科等： 平面波超声成像中的波束合成方法研究进展 29

看出，神经网络可以从通道数据直接得到波束合成 制效果的影响。训练标签和结果对比图见图 9。可
后数据，且囊肿区域的对比度相比于DAS方法得到 以看出，基于 DNN 的方法可以在保证囊肿边缘清
了提升。Hyun 等 [46] 通过全卷积网络，从原始通道 晰且具有较高对比度的条件下，获得较好的散斑抑
数据直接得到散斑抑制 (Speckle reduction) 后的 B 制后的波束合成结果。目前尚未见该类方法报告可
超图像，并深入研究了网络深度、宽度对于散斑抑 以较好地在波束合成后数据中保留散斑信息。

ण௑ԯҫ
(DAS) ڏϸѬҟ
ฉౌՌੇ
Ԕݽᤰ
᥋஝૶ DASڏϸ ѬҟՑڏϸ
ᝍᆊ٨1
ᎄᆊ٨
DNNڏϸ

ЛԄሥᇸፃᎪፏ (FCNN)
ᝍᆊ٨2 ᇸፃᎪፏ
Ѭҟፇ౧
(a) ۳̆ԄሥᇸፃᎪፏᄊฉౌՌੇவขืሮڏ

(b) ˚ࣾ఻٨੕ڏ (c) DASฉౌՌੇڏϸ (d) DNNฉౌՌੇڏϸ (e) DAS(ᳬᓤ)/DNN(ጚᓤ)
ฉౌՌੇՑڏϸѬҟፇ౧

图 8 利用全卷积网络从原始通道数据直接重建出波束合成后图像及囊肿分割图 [45]
Fig. 8 Beamforming and segmentation by fully convolutional neural network from raw channel data [45]

5 mm

(a) ᤥᒭImageNet஝૶ᬷᄊᒭཀྵڏϸ(ࢻ)Ὂ̿ࢻڏϸጉҫిӝ۫ (b) ̰ࢻᒰԿΚ൓௧DASnjቇᫎᄱࣰܭՌnj᠅Ձள᭤ࡍᦊ
ங࠱ߕங࠱ूएՑፃ͌ᄾ४҂ᄊࣜదங஥ྲভᄊBവरڏ(Կ) کϙவข̿ԣਫ਼ଢѣDNNவขᄊፇ౧ڏ

图 9 利用全卷积网络从原始通道数据直接重建出散斑抑制后的超声图像 [46−47]
Fig. 9 Speckle reduced B-mode images reconstructed by fully convolutional neural network from
raw channel data [46−47]

3.3 基于深度学习的波束合成图像后处理技术 Gasse 等 [48] 通过训练卷积神经网络，以 3 角度
为了改善平面波成像的图像质量，除了提升波 的平面波发射重建出和 31 角度平面波相干复合相
束合成算法本身的表现外，还有一类方法通过以高 近质量的图像。Zhang等 [49] 将对抗生成网络(Gen-
帧频、低图像质量的成像序列所采集的图像为输入， erative adversarial network, GAN) 引入上述任务，
以低帧频、高图像质量的采集序列所采集的图像为 以更深的网络结构实现了重建图像对比度的进一
标签，训练出一个作为后处理步骤的神经网络，以较 步提升。图10为Gasse等的流程图和结果 [48] 。可以
少的成像帧频损失获取图像质量的改善。 看出，神经网络通过大量数据的训练，以3角度平面