高质量超声成像与重建研究综述

医学超声作为一种无创、无辐射和实时医学成像模态,在重大疾病早期诊断和精准诊疗领域发挥重要作用。影像分辨率是超声仪器的核心指标,也是影响临床精准诊疗的关键。近年来,超声成像设备呈现多样化的发展趋势,以满足不同的临床应用场景,如超快速成像设备、便携成像设备等。然而,这些超声设备通常以牺牲成像质量来实现特定应用场景的要求,影响了其临床可用性。因此,为提升医学超声设备的诊断能力,研究如何获得高质量超声图像至关重要。本文回顾了近年来高质量超声图像成像的相关工作,从波束形成算法和高质量超声重建算法两方面进行介绍,波束形成算法方面,介绍了以延时叠加方法为代表的传统的非自适应方法,以及 4 类成像效果更优越但计算复杂度更高的自适应的波束形成方法,并对波束形成的深度学习类方法进行了简要介绍。对于高质量超声重建算法的讨论,则是从传统方法和深度学习方法两方面展开,并重点介绍了在高质量超声重建算法方面具有更广阔应用前景的深度学习技术,包括卷积神经网络方法、生成对抗网络方法等。最后,本文从研究方法的侧重点等方面比较国内外研究进展,并讨论了未来发展趋势。     

基于PC机的超声多普勒频谱分析系统的研制

本文介绍了一种新型的基于PC机的血液多普勒信号频谱分析系统的研制方法。这种系统以PC机和超声多普勒检测单元为主要硬件,用小波变换和短时傅里叶技术以软件形式实现了血流多普勒信号的降噪、频谱分析、最大频率曲线提取、特征点检测和声谱参数的计算。这种系统不仅成本较低,而且可以自动提取各种信噪比（包括低信噪比）条件下的血流多普勒信号的频谱特征,为医学临床的诊断提供了更为准确的参数。     

人体组织弹性的超声检测和应用前景

组织的软硬或弹性反映了组织本身的特性。对于它们的检测所得信息往往有助于对疾病的诊断。本文介绍了运用超声检测人体组织弹性的原理入检测中信息处理和特征提取的几种方法，包括我们的研究工作并就其应用前景作了展望。     

几种超声NDE信号降噪方法的性能比较

为提高超声无损检测的准确性,需要对超声NDE信号中因随机分布于媒质中的大量散射微粒所引起的结构噪声进行降噪。由于信号和噪声的频谱范围基本重叠,传统的线性滤波方法不能提供理想的降噪结果。介绍了几种对超声NDE信号进行降噪的新方法:Wigner-Ville分布法、小波变换法和基于时间延迟的神经网络法,并从信噪比(SNR)、检测概率(PD)和估测深度(ED)等三个重要参数对它们的降噪性能进行计算机仿真实验的比较。结果表明:小波变换法和神经网络法的降噪效果较Wigner-Ville分布法要好。对实际信号的测试还表明,小波变换由于不像神经网络那样需要训练,是一种更为理想的超声NDE信号降噪方法。     

评价松质骨状况的一种背散射频谱方法

采用超声背散射信号的质心偏移量来评价松质骨,并对牛胫骨和人体跟骨中背散射信号的质心偏移量与松质骨表观密度的关系,以及人体跟骨松质骨中背散射信号频谱质心位置与年龄的关系进行了分析讨论。分析结果表明,随松质骨表观密度的增大,背散射信号频谱的质心向低频方向移动;随年龄的增大,质心位置越接近于发射超声的中心频率。根据超声背散射信号质心偏移量的大小,可用于评价松质骨健康状况。     

三维ABUS图像多平面联合显示平台的MATLAB实现方法

西门子公司的创新型三维自动化乳腺超声(ABUS)系统已获得国内外医院的广泛应用,但其成像结果只能通过配套的SIEMENS ABUS Workplace影像工作站进行显示。由于该影像工作站长期被临床检查所占用,很难满足医生额外的教学和科研阅片需求。同时,该影像工作站专用于乳腺病变诊断,无法扩展面向下肢静脉曲张、腹壁疝诊断等拓展应用的定制功能。为了解决这两个问题,本文在深入分析ABUS系统DICOM文件结构的基础上,提出了基于MATLAB的三维ABUS图像多平面联合显示平台实现方法,该方法对三维ABUS图像的处理和分析具有很大的应用优势和临床价值。     

距离对板壳结构传递点导纳的影响

了解结构内部的功率流传递规律是研究复杂系统结构间功率流传递的基础。文中利用Hankel函数得到了平板和圆柱壳传递点导纳的有效计算公式，分析了低频、中频和高频3种情况下传递距离和平板、圆柱壳轴向传递导纳之间的关系，数值分析表明，距离对结构的传递导纳有显著影响，圆柱壳传递点导纳对距离的变化较为敏感。     

时域有限差分法研究骨传导超声特性

自发现通过骨传导人可以感知超声以来,骨传导超声技术已被应用于助听中。为进一步了解骨传导超声特性,采用时域有限差分(FDTD)法,在单耳激励和双耳激励的情况下,计算超声经骨传导在头内形成的声场。仿真实验结果表明:双耳超声激励没有普通双耳听觉的定位能力,而单耳超声激励可同时激励双耳耳蜗。因此,单耳骨传导超声助听的效果可能比双耳骨传导超声助听的效果好。     

正常角膜和圆锥角膜的特征提取

基于角膜测量仪器Corvis ST采集的图像视频,提出提取新特征参数以便准确区分正常角膜和圆锥角膜。首先对图像进行滤波、分割等预处理,检测角膜上下边界,并计算前角膜曲率值;用小波变换分析角膜曲率变化,获取与角膜运动趋势相关的特征,包括角膜运动的整体趋势和角膜振动的范数和标准差。然后,基于均方误差最小化法,提取特征参数,构建最优参数。最后,用支持向量机(SVM)对正常角膜和圆锥角膜进行分类。从频率的角度实施的实验显示角膜在基本运动趋势上存在着振动过程。此外,提出的参数优于形变幅度(DA)、峰值距离(PD)等传统参数,使准确度、灵敏度和特异性分别提高了10.2%,5.7%和6.9%。受试者工作特征曲线(ROC)下面积为0.948,接近于1。结果显示本文方法自动提取的特征参数可提高正常角膜和圆锥角膜区分的准确性,对临床诊断有辅助作用。