Page 34 - 《应用声学》2021年第1期

30
波发射的数据作为输入即可重建出与 31 角度平面
波相干复合质量相近的图像，对于帧频的提高有巨
大帮助。该类方法中用于训练的数据标签是波束合
成后图像，在训练数据集不够大的情况下可能会使
网络记住训练数据中组织的特定结构特征，影响泛
化能力。
Ͱ᠏᧚ᄱࣰܭՌڏϸ
ງएᇸፃᎪፏ
(a) ۳̆ງएߦ˸ᄊฉౌՌੇՑܫေ੿షืሮڏ
(b) 3ᝈएࣱ᭧ฉ (c) 31ᝈएࣱ᭧ฉ (d) DNN̿3ᝈएࣱ᭧ฉ
ܭՌፇ౧ ܭՌፇ౧
图 10 基于深度学习的波束合成图像后处理技术
Fig. 10 Deep learning based image post-processing
technique [48]
4 结论
综上所述，研究人员采用新型波束合成方法，
通过结合回波数据的统计特性，或是引入关于超声
信号的先验信息，可以在一定程度上改善平面波成
像的图像质量，从而以更少次数的平面波发射，获
得和传统 DAS 方法更多次数平面波发射同等的图
像质量。换言之，在提高图像质量的同时，不牺牲帧
频。这些方法可望提高剪切波弹性成像和心肌弹性
成像等高帧频成像的图像质量，并极大提高三维成
像系统的实时性。
相比于传统的DAS方法，新的波束合成方法在
应用于平面波成像上时还存在着一些挑战。首先，
自适应或基于逆散射的方法可以显著提升波束合
成图像的分辨率和对比度，但对于背景散斑的强度
存在着一定的抑制，需要医生评估其对于疾病诊断
的影响。此外，自适应和基于逆散射的新型波束合
成方法的计算复杂度相比于传统DAS方法较高，对
于系统的计算能力提出了更高的要求。因此，通过
深度神经网络学习改良后波束合成的结果，可以在
2021 年 1 月
保留算法优势的条件下，极大地减少计算耗时，是较
有前景的方向。为了确保神经网络具有较好的泛化
能力，还需要进一步研究在实际中如何构建一个样
本分布尽可能广泛的数据集以覆盖不同的探查的
器官、探头的方向以及患者间的差异。
ᰴ᠏᧚ᄱࣰܭՌڏϸ 参 考 文 献
[1] Montaldo G, Tanter M, Bercoff J, et al. Coherent plane-
wave compounding for very high frame rate ultrasonogra-
phy and transient elastography[J]. IEEE Transactions on
Ultrasonics Ferroelectrics and Frequency Control, IEEE,
2009, 56(3): 489–506.
[2] Mace E, Montaldo G, Osmanski B, et al. Functional ul-
trasound imaging of the brain: theory and basic princi-
ples[J]. IEEE Transactions on Ultrasonics Ferroelectrics
and Frequency Control, 2013, 60(3): 492–506.
[3] Errico C, Pierre J, Pezet S, et al. Ultrafast ultrasound
localization microscopy for deep super-resolution vascu-
lar imaging[J]. Nature, Nature Publishing Group, 2015,
527(7579): 499–502.
஝૶˞ᣥКᄊ᧘थፇ౧
[4] Sandrin L, Catheline S, Tanter M, et al. 2D transient elas-
[48] tography[J]. Acoustical Imaging, 2006, 25(1999): 485–492.
[5] Moubark A M, Alomari Z, Harput S, et al. Enhancement
of contrast and resolution of B-mode plane wave imaging
(PWI) with non-linear filtered delay multiply and sum
(FDMAS) beamforming[C]. IEEE International Ultrason-
ics Symposium, IUS, 2016.
[6] Capon J. High-resolution frequency-wavenumber spec-
trum analysis[J]. Prceedings of the IEEE, 1969, 57(8):
1408–1418.
[7] Vignon F, Burcher M R. Capon beamforming in medical
ultrasound imaging with focused beams[J]. IEEE Transac-
tions on Ultrasonics Ferroelectrics and Frequency Control,
2008, 55(3): 619–628.
[8] Holfort I K, Gran F, Jøensen J A. Broadband mini-
mum variance beamforming for ultrasound imaging[J].
IEEE Transactions on Ultrasonics, Ferroelectrics, and Fre-
quency Control, 2009, 56(2): 314–325.
[9] Austeng A, Nilsen C I C, Jensen A C, et al. Coherent
plane-wave compounding and minimum variance beam-
forming[C]. IEEE International Ultrasonics Symposium,
IUS, 2011: 2448–2451.
[10] Nguyen N Q, Prager R W. Minimum variance beamform-
ers for coherent plane-wave compounding[C]. Proceedings
of SPIE, IEEE, 2017, 10139: 1013912.
[11] Zhao J, Zeng X, Yu J, et al. Adaptive beamforming in ul-
trasound imaging with plane wave compounding[C]. 2014
International Conference on Audio, Language and Image
Processing. IEEE, 2014: 53–57.
[12] Qi Y, Wang Y, Guo W. Joint subarray coherence and
minimum variance beamformer for multitransmission ul-
trasound imaging modalities[J]. IEEE Transactions on Ul-