超聲彩色血流成像中血流信號(hào)提取方法研究.pdf

1、超聲彩色血流成像作為一種非介入性的血流信息可視化方法，具有無傷害和低成本等優(yōu)點(diǎn)。軟組織蠕動(dòng)產(chǎn)生的高能低頻雜波信號(hào)往往使得血流流速估計(jì)出現(xiàn)偏差，進(jìn)而提升心血管疾病的誤診率。研究能精確提取夠被雜波淹沒的血流信號(hào)的檢測(cè)方法具有重要意義。研究表明，如下兩個(gè)原因使得準(zhǔn)確估計(jì)血流流速變得困難：第一，為滿足成像的幀率需求，超聲探頭接收的回波信號(hào)只包含8-16個(gè)采樣數(shù)；第二，由于呼吸和心跳作用下，雜波的頻率表現(xiàn)為寬帶特性。傳統(tǒng)血流信號(hào)提取方法的效果由事

2、先選定參數(shù)決定，而不依賴于實(shí)際接收的超聲回波信號(hào)。這種非自適應(yīng)方法往往造成血流估計(jì)精度的下降。為突破上述限制，本文以超聲彩色血流檢測(cè)與成像為應(yīng)用背景，分別對(duì)參數(shù)化和非參數(shù)化的自適應(yīng)血流信號(hào)提取方法開展研究。
　　為解決傳統(tǒng)高通濾波器不能充分抑制雜波或者錯(cuò)誤地去除部分血流信號(hào)的問題，建立了一種基于松弛算法的參數(shù)化血流信號(hào)提取方法。該方法通過將輸入的信號(hào)近似為指數(shù)模型，并結(jié)合對(duì)偶式的參數(shù)估計(jì)算法，不僅能夠有效地提取血流信號(hào)，同時(shí)能夠去

3、除白噪聲的影響。仿真結(jié)果表明，通過松弛算法估計(jì)的血流信號(hào)頻率在均值和方差上優(yōu)于傳統(tǒng)的高通濾波器。對(duì)比其他參數(shù)化方法，松弛算法的反饋式參數(shù)估計(jì)方式同時(shí)提高了雜波和低速血流信號(hào)的估計(jì)精度。但是，當(dāng)雜波表現(xiàn)為寬頻特性時(shí)，參數(shù)化的方法受到數(shù)學(xué)模型的限制，會(huì)出現(xiàn)估計(jì)誤差。
　　為解決了參數(shù)化方法受到數(shù)學(xué)模型限制只適用于窄帶雜波情況的問題，詳細(xì)分析了基于奇異值分解Hankel矩陣方法的特點(diǎn)，從算法效率和精度兩個(gè)方面改進(jìn)了該方法。首先，提出一種

4、雙線性Hankel框架，實(shí)現(xiàn)了對(duì)輸入超聲回波信號(hào)的精確分解，減少了傳統(tǒng)Hankel方法在信號(hào)重構(gòu)過程中的計(jì)算量。仿真結(jié)果表明，提出的方法相比Hankel方法在血流信號(hào)檢測(cè)上具有更小的估計(jì)偏差。其次，提出一種基于向前向后平滑子序列框架的血流信號(hào)提取方法。該方法通過子序列截?cái)嗪拖蚯跋蚝笃揭铺幚?，擴(kuò)展了基于特征分解的雜波濾波器的應(yīng)用范圍，其實(shí)現(xiàn)自相關(guān)矩陣滿秩所需的采樣數(shù)為傳統(tǒng) Hankel框架下的3?4。仿真結(jié)果驗(yàn)證了該方法整體上優(yōu)于多項(xiàng)式回

5、歸濾波器。當(dāng)輸入信號(hào)的采樣數(shù)有限時(shí)，相比Hankel方法，該方法在同數(shù)量級(jí)計(jì)算復(fù)雜度下將輸入信號(hào)分解為更多特征成分，提升了血流信號(hào)的檢測(cè)精度。
　　為解決了基于Hankel框架和基于特征分解的方法中頻率或特征值閾值難以確定的問題，引入了2種自適應(yīng)分解算法——經(jīng)驗(yàn)?zāi)B(tài)分解和聚合經(jīng)驗(yàn)?zāi)B(tài)分解。為突破這兩種算法遇到的模態(tài)混合和統(tǒng)一權(quán)重的限制，建立了回歸聚合經(jīng)驗(yàn)?zāi)B(tài)分解框架。通過在聚合過程分別引入嶺回歸和套索回歸，實(shí)現(xiàn)了自適應(yīng)的權(quán)重，降低

6、了離群值對(duì)整體分解效果的影響。理論分析表明，通過添加適當(dāng)強(qiáng)度的噪聲，回歸聚合經(jīng)驗(yàn)?zāi)B(tài)分解框架能夠解決分解二重振動(dòng)信號(hào)的模態(tài)混合問題。對(duì)于基于嶺回歸聚合經(jīng)驗(yàn)?zāi)B(tài)分解和套索回歸聚合經(jīng)驗(yàn)?zāi)B(tài)分解方法的雜波濾波器，其計(jì)算復(fù)雜度主要集中在所包含的經(jīng)驗(yàn)?zāi)B(tài)分解算法上。仿真結(jié)果表明，所提出方法相比基于特征分解的血流信號(hào)提取方法，基于經(jīng)驗(yàn)?zāi)B(tài)分解和聚合經(jīng)驗(yàn)?zāi)B(tài)分解血流檢測(cè)方法有著更高的精度。
　　為實(shí)現(xiàn)理論方法在超聲實(shí)際設(shè)備上應(yīng)用的有效性，本文深

7、入分析了所提出的幾種自適應(yīng)血流信號(hào)檢測(cè)方法的計(jì)算復(fù)雜度，并進(jìn)行了2組超聲臨床數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明：對(duì)于雜波表現(xiàn)為窄帶特征的頸動(dòng)脈血流估計(jì)，松弛算法能夠?qū)崿F(xiàn)血管區(qū)域和組織區(qū)域最大的能量比，而套索回歸聚合經(jīng)驗(yàn)?zāi)B(tài)分解方法實(shí)現(xiàn)了血管區(qū)域的最大能量。對(duì)于雜波和血流信號(hào)均表現(xiàn)為寬帶特性的腎臟血流估計(jì)，松弛算法在分支血流檢測(cè)上出現(xiàn)誤差。相比基于回歸濾波器的檢測(cè)方法，雙線性Hankel框架和向前向后子序列平滑框架在低計(jì)算復(fù)雜度下具有更高的血流