Page 96 - 《应用声学》2021年第1期

92 2021 年 1 月

声，本文采用了“三段式”优选策略： 出的是，本文采用了非重叠的批处理子集划分方式
(1) 组织残留：多为静止或低速运动成分，且 (只针对 M < N 的情形)，即相邻两次批处理之间无
强度一般高于微泡信号和噪声。设置组织残留阈值 数据共用，此时批处理子集数等于floor(N/M) + 1，
α，当λ p >α 时被认为是组织残留对应的奇异值，应 运算符“floor(·)”表示向下取整。
舍弃； (2) 本文默认奇异值采用降序排列，索引小于
(2) 系统噪声：接近白噪声，各帧数据间的噪声 组织残留阈值索引I α ∈ [1, I β )的奇异值，应舍弃。

趋近统计独立。设置噪声阈值 β(β < α)，当λ p < β (3) 类似地， 索引大于噪声阈值索引 I β ∈
时被认为是噪声对应的奇异值，同样应舍弃； (I α , M]的奇异值，应舍弃。
(3) 微泡信号：强度及运动速度介于上述二 综上可知，最终得以保留的是索引为 I α , I α +
者之间。当 α > λ p > β 时被认为是微泡对应的 1, · · · , I β 的奇异值。
奇异值，应予以保留。被保留的奇异值及其奇异 图5比较了第60帧数据在进行SVD滤波(M =
¯
¯ ¯
矢量分别记为 {λ 1 , λ 2 , · · · , λ R }、{¯ u 1 , ¯ u 2 , · · · , ¯ u R }、 103、I α = 2、I β = 36) 前后的图像。可见，处理后犬
{¯ v 1 , ¯ v 2 , · · · , ¯ v R }，对其进行线性加权重建，进而获 肝脏造影图像的近场组织残留得到了显著的抑制，
取SVD滤波后的Casorati矩阵： 且在背景噪声不变的前提下达到了增强微泡信号

¯
¯
¯
H
H
H
¯
S =λ 1 · ¯ u 1 ¯ v + λ 2 · ¯ u 2 ¯ v + · · · + λ R · ¯ u R ¯ v . (3) 的效果。综合以上两点，该结果从图像层面初步验
1 2 R
证了 SVD 滤波器能够同时提升造影图像的 SNR 和
¯
如图 3 所示，对矩阵 S 的列矢量做矩阵化处理，
CTR。第2节将针对3个参数展开性能分析，力求得
即可得到SVD滤波后的M 帧K × L维数据：
到更加明确的结论。
 
¯ s 1,1 (t m ) · · · ¯s 1,L (t m )
 . . 
 . . 
D SVD Filtered (t m ) =  . · · · .  ,
 
¯ s K,1 (t m ) · · · ¯s K,L (t m )
m = 1, 2, · · · , M. (4)
1.2 仿真实现
考虑到联合空时SVD滤波器为批处理方法，为
了后续更好地分析批处理帧数 M 对图像性能的影 (a) ᤵॖڏϸ (b) ጸጻԠᏦڏϸ
响，本文使用迈瑞公司 Resona 7 平台的线阵高帧率 图 4 未做 SVD 滤波的犬肝脏双实时造影图像 (基
造影功能 (L11-3U 探头，造影帧率为 48 Hz) 采集了 于波束合成基带数据的仿真结果)
比格犬肝脏在注射造影剂后 (比格犬体重为 12 kg， Fig. 4 A dual-live CEUS image of dog liver with-
注射 SonoVue，剂量为 0.05 mL/kg) 的波束合成基 out SVD filtering (simulation results using base-
带数据，共计 103帧。图4 呈现了第 1 帧数据在未做 band beamforming data)
SVD 滤波的仿真结果，图中 3 个不同颜色的虚线框
从上到下分别标出了组织残留 (绿色框)、微泡信号
(黄色框)和噪声(红色框)。
首先，将 SVD 滤波器置于波束合成之后、包络
检测之前，直接对复数信号进行处理，其余处理环
节与不做 SVD 滤波的造影成像保持一致。在本文
的仿真实例中，矩阵的SVD由Matlab函数“svd(·)”
提供数值解 [24] 。另外，可供调整的 SVD 滤波系数 (a) SVD໚ฉҒ (b) SVD໚ฉՑ
包括批处理帧数 M、组织残留阈值索引 I α 以及噪
图 5 犬肝脏造影数据在进行 SVD 滤波前后的造影
声阈值索引I β 。三者的详细定义分述如下： 图像对比
(1) 批处理帧数M 的取值范围为[2, N]，其中N Fig. 5 Comparison between CEUS images before
是待处理的总帧数，在本仿真实例中为103。需要指 and after being SVD filtered with dog liver data