Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 华南理工大学陈俊颖获国家专利权

华南理工大学陈俊颖获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉华南理工大学申请的专利基于深度学习的超声射频数据滤波成像方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN116898475B

龙图腾网通过国家知识产权局官网在2026-04-03发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202310750251.0,技术领域涉及:A61B8/00;该发明授权基于深度学习的超声射频数据滤波成像方法是由陈俊颖;庄仁鑫设计研发完成,并于2023-06-21向国家知识产权局提交的专利申请。

基于深度学习的超声射频数据滤波成像方法在说明书摘要公布了:本发明公开了一种基于深度学习的超声射频数据滤波成像方法。所述方法首先提出一种全新的面向超声仿真成像的超声射频数据滤波算法——基于散射点的回波信号选择算法,接着提出一个深度神经网络来学习面向超声射频数据的基于散射点的目标回波信号选取过程,训练完成的深度神经网络能够有效抑制射频数据中的干扰信号,从而提高超声成像质量。该数据滤波深度神经网络可融合进延时叠加波束形成成像框架中,形成一种新型的超声成像方法,即基于深度学习的超声射频数据滤波成像方法。本发明相比延时叠加成像方法能提高超声图像的对比度和对比度信噪比,在人体真实成像实例中呈现优秀的成像质量。

本发明授权基于深度学习的超声射频数据滤波成像方法在权利要求书中公布了:1.基于深度学习的超声射频数据滤波成像方法,其特征在于,包括以下步骤: S1、对超声成像目标物体进行扫描,由超声换能器接收孔径所接收到的回声信号构成射频数据,将接收到的实数射频数据转换为复数射频数据,针对不同的成像点进行相应的延时操作后,得到延时射频数据;对超声成像目标物体进行扫描,由超声换能器接收孔径所接收到的回波信号构成射频数据,然后使用希尔伯特变换将实数形式的射频数据转换为复数形式的射频数据; 接着对射频数据进行延时操作即根据目标成像点的位置、扫描线的位置、接收阵元的位置计算延迟时间,将延迟时间映射成信号下标,从而取出该接收阵元的回波信号中对应于目标成像点的信号值,得到延时射频数据;设扫描线数目为L,一条扫描线上目标成像点的数目为P,接收阵元的数目为N,经过延时操作之后即得到大小为P×N×L的第一延时射频数据矩阵M1,该矩阵为复数矩阵,接着分离第一延时射频数据矩阵M1中每个数据的实部和虚部,得到大小为2×P×N×L的第二延时射频数据矩阵M2; S2、分离复数射频数据的实部和虚部,使用干扰信号抑制神经网络抑制步骤S1中得到的延时射频数据中的干扰信号,得到抑制干扰信号后的延时射频数据;将第二延时射频数据矩阵M2输入干扰信号抑制神经网络进行处理,得到大小为2×P×N×L的抑制干扰信号后的第三延时射频数据矩阵M3; 所述干扰信号抑制神经网络,是一个编码器-解码器结构的三维卷积神经网络,该神经网络学习了基于散射点的回波信号选择算法;干扰信号抑制神经网络中,由于射频数据是复数,因此实部和虚部被分离开,各自作为一个通道,因此网络的输入通道数为2;受硬件计算资源的限制以及输入数据量较大,干扰信号抑制神经网络中间特征图的起始通道数设置为4;干扰信号抑制神经网络包括压缩路径和扩展路径,左边的压缩路径在减小特征图大小的同时增大其通道数,右边的扩展路径在恢复特征图大小的同时减少其通道数; 压缩路径包括五个卷积块组成,卷积块与卷积块之间由负责下采样的卷积层连接;扩展路径包括四个卷积块组成,卷积块与卷积块之间由负责上采样的卷积层连接; 压缩路径和扩展路径中的每个卷积块都包括残差连接,卷积块的输入与输出叠加后再传递到下一个卷积层;经过第一个卷积块后,特征图的通道数为4,因此干扰信号抑制神经网络的输入在与第一个卷积块的输出叠加之前,需要先复制自身,将通道数扩展为4,其它卷积块的输入和输出通道数则相同,因此直接叠加即可;下采样由卷积核大小为2,2,2、步长为2的卷积层负责,同时使通道数翻倍;上采样由卷积核大小为2,2,2、步长为2的反卷积层负责,同时使通道数减半; 干扰信号抑制神经网络的输出层为卷积核大小为1,1,1、步长为1的卷积层,将网络的输出通道数降为2,与输入通道数相等;干扰信号抑制神经网络中其余的卷积核大小均为5,5,5,步长均为1;干扰信号抑制神经网络所采用的激活函数为双曲正切函数Tanh;所使用的损失函数为带L1正则项的MSE损失函数,计算公式如下所示: 其中,X表示样本,Y表示真值,f表示神经网络,Wf表示神经网络的权重集合,lambda表示L1正则系数; 干扰信号抑制神经网络所学习的面向超声仿真成像的基于散射点的回波信号选择算法根据散射点的空间位置选取目标回波信号,用于隔离大量来自空间中干扰位置的信号,具体流程如下: 在单散射点模拟成像中,在成像域内模拟设置一个散射点S,考虑一个发射通道t和接收通道r及接收通道r接收到的射频回波信号向量;根据发射通道t、接收通道r和散射点S的位置,从发射通道t到散射点S,然后从散射点S到接收通道r的信号传输路径的长度按以下公式计算: 其中,N表示换能器的通道总数,表示从发射通道t到散射点S的信号传输路径的长度,表示从散射点S到接收通道r的信号传输路径的长度;发射通道t和接收通道r构成一个传输通道对; 接着,计算该条传输路径在射频回波信号向量中的元素下标: 其中,round为取整函数,c为声速,为信号采样频率; 以这种方式,将每一个来自散射点位置的回波信号选取出来,从而抑制来自干扰位置的回波信号; 发射通道t和接收通道r的中心点分别定义为F1和F2,以F1、F2为两个焦点,平面内到F1、F2的距离之和等于常数大于|F1F2|的动点轨迹构成一个椭圆,因此位于以F1和F2为焦点的椭圆弧上的散射点的回波信号传输路径长度都相同;位于以F1和F2为焦点的椭圆弧上任意一点的和相同。 S3、将步骤S2中得到的抑制干扰信号后的延时射频数据重新组合成复数射频数据,接着进行叠加操作,完成波束形成,得到对应的超声成像目标的图像像素值,进而构成完整的超声图像,该超声图像具有高对比度和对比度信噪比的优点。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人华南理工大学,其通讯地址为:510640 广东省广州市天河区五山路381号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。