【优博微展2018】刘敬:基于压缩感知的高帧频超声成像研究

2019 年 6 月 30 日 清华大学研究生教育

刘敬:2018年清华大学优秀博士学位论文二等奖获得者


基于压缩感知的高帧频超声成像研究


A Study on Compressed Sensing Based High Frame Rate Ultrasound Imaging


作       者:刘   敬

指导教师:罗建文

培养院系:医学院          


研究背景/选题意义/研究价值


超声成像因其实时、经济、无电离辐射等优点,被广泛应用于健康检查和临床诊断。超声成像的两个重要指标是成像帧频和图像质量(空间分辨率、信噪比和对比度)。然而,受超声成像原理的限制,这两个指标是互相制约的。尽管目前的商用超声系统能在两者之间取得很好的平衡,但该平衡已不能满足三维超声成像,剪切波弹性成像、以及矢量血流成像新型超声成像的需求。


上述新型超声成像的发展依赖于高帧频、高图像质量的超声成像。随着硬件的发展,传统的高帧频超声成像开始焕发新的生机,成为目前超声领域的研究热点。但是,这些方法需要在帧频和图像质量之间进行折衷。近年来,压缩感知打破传统的奈奎斯特采样理论,能用更少的采样数据重建原始信号。利用这一优势,本研究将压缩感知应用于超声成像,开发了新的高帧频,高图像质量的超声成像方法。


主要研究内容


1. 根据声学理论,证明了变迹平面波发射和合成发射孔径发射所接收到的通道数据,满足压缩感知采样的线性测量关系;利用对称小波基,对合成发射孔径接收到的通道数据进行稀疏表示。结合上述关系,提出了一种新的超声成像方法,即基于压缩感知的合成发射孔径(CS-STA),通过发射少量变迹平面波,恢复合成发射孔径通道数据。



平面波和合成发射孔径的关系示例:第一行为m次平面波发射,每次发射接收到的数据为

每个阵元的发射变迹为

第二行为n次合成发射孔径发射,每次接收到的数据为

每次只有第i个阵元被激活;两种发射方式接收到的数据满足关系:


2. 采用平面波的发射方式,选择均匀随机矩阵作为发射变迹,在线阵超声探头上实现了CS-STA成像方法;通过仿真,仿体和在体实验,证明了CS-STA能实现高帧频,高质量的超声成像。和传统高帧频超声成像方法对比,CS-STA能在相同的帧频下,获得更高的图像质量;采用发散波的发射方式,分别在凸阵和相控阵探头上实现了CS-STA成像方法,提高了该方法的通用性。


3. 选择(部分)哈达玛矩阵作为CS-STA的发射变迹,进一步提高了CS-STA的成像帧频和图像质量,并将其重建速度提高了大约100倍;另外,提出了两种进一步加速重建速度的方法。一是选择重建采样率更低的同相-正交数据。二是利用并行计算。



64次发射的(a)STA,(b)采用均匀随机矩阵的4次发射的CS-STA,和(c)采用哈达玛矩阵的4次发射的CS-STA。可以看到,采用哈达玛矩阵的CS-STA能提高STA的对比度,并能获得比均匀随机矩阵更佳的图像质量。


主要创新点

1. 提出了一种新的高帧频超声成像方法即基于压缩感知的合成发射孔径(CS-STA);


2. CS-STA测量矩阵占用空间小、可以灵活改变用于提高重建质量和重建速度;


3. 能通过改变发射方式适用于线阵、凸阵和相控阵超声探头;


4. 提出采用部分哈达玛测量矩阵进一步提高CS-STA的成像帧频、图像质量和重建速度;


5. 提出了基于IQ数据的CS-STA,能在不明显恶化图像质量的前提下提高重建速度。


科研成果


SCI论文


1. Liu Jing, He Qiong, Luo Jianwen. A compressed sensing strategy for synthetic transmit aperture ultrasound imaging [J]. IEEE Transactions on Medical Imaging, 2017, 36(4): 878-91. (IF = 3.94)


2. Liu Jing, He Qiong, Luo Jianwen. Compressed sensing based synthetic transmit aperture imaging: Validation in a convex array configuration [J]. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2018, 65(3): 300-15. (邀请发表,IF = 2.74)


3. Liu Jing and Luo Jianwen, "Compressed sensing based synthetic transmit aperture for phased array using Hadamard encoded diverging wave transmissions," IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2018. DOI: 10.1109/TUFFC.2018.2832058. (SCI, IF = 2.74)


4. He Qiong, Tong Ling, Huang Lingyun, Liu Jing, Chen Yinran, Luo Jianwen. Performance optimization of lateral displacement estimation with spatial angular compounding [J]. Ultrasonics, 2017, 73: 9-21. (IF = 2.33)


专利


1. 罗建文, 刘敬, 何琼. 合成聚焦超声成像方法和装置. 中国发明专利. 专利号:CN201510142749.4. 公开号:CN104688271A. 授权日期: 20170309.


2. 罗建文,刘敬,何琼.合成聚焦超声成像方法和装置. PCT专利,申请号:PCT/CN2015/089005


3. Jianwen Luo, Jing Liu, Qiong He. Method and device for ultrasonic imaging by synthetic focusing. Application No.: 15/526,305. Pub. No.: US 2017/0336500 A1. Pub. Date: Nov. 23, 2017. (美国专利)


4. Jianwen Luo, Jing Liu, Qiong He. Method and device for ultrasonic imaging by synthetic focusing. Application No.: 15/526,305. Application. No.: EP15887196.2. (欧洲专利)


EI论文


1. Liu Jing, Luo Jianwen. Compressed sensing based synthetic transmit aperture for phased array imaging [C]. IEEE International Ultrasonics Symposium (IUS), 2017: 1-4. (获Student Travel Support Awards)


2. Liu Jing, He Qiong, Luo Jianwen. Compressed sensing for synthetic transmit aperture [C]. IEEE International Ultrasonics Symposium (IUS), 2015: 1-4. (获Student Travel Support Awards)


3. Liu Jing, He Qiong, Luo Jianwen. Compressed sensing for high frame rate, high resolution and high contrast ultrasound imaging [C].The 37th Annual International conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2015: 1552-1555. 


其他


1. 刘敬, 罗建文. 压缩感知在超声成像中的应用研究进展 [J]. 中国医疗器械信息, 2015, 11: 12-7.


2. 刘敬, 何琼, 罗建文. 基于压缩感知的高时空分辨率、高对比度超声成像, 2015年度中国生物医学工程联合学术年会. (获蒋大宗青年论文竞赛三等奖)


作者:刘敬

供图:刘敬

编辑:清华大学研究生院  周明坤  吴佳瑛 李文


登录查看更多
0

相关内容

压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。 compressive sensing(CS) 又称 compressived sensing ,compressived sample,大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。 与稀疏表示不同,压缩感知关注的是如何利用信号本身所具有的稀疏性,从部分观测样本中恢复原信号。
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
60+阅读 · 2020年5月25日
基于视觉的三维重建关键技术研究综述
专知会员服务
157+阅读 · 2020年5月1日
基于深度学习的多标签生成研究进展
专知会员服务
140+阅读 · 2020年4月25日
【华侨大学】基于混合深度学习算法的疾病预测模型
专知会员服务
96+阅读 · 2020年1月21日
基于深度学习的行人重识别研究进展,自动化学报
专知会员服务
38+阅读 · 2019年12月5日
【上海交大】半监督学习理论及其研究进展概述
专知会员服务
67+阅读 · 2019年10月18日
已删除
将门创投
7+阅读 · 2019年10月10日
【优博微展2018】刘昊:基于深度神经网络的人脸关键点检测
清华大学研究生教育
32+阅读 · 2018年12月1日
中科院赵地:深度学习在 4 大超声影像中的应用
AI掘金志
9+阅读 · 2017年12月17日
Arxiv
6+阅读 · 2020年4月14日
Arxiv
7+阅读 · 2020年3月1日
Adaptive Neural Trees
Arxiv
4+阅读 · 2018年12月10日
Arxiv
3+阅读 · 2018年8月17日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员