神经网络模型及基于神经网络模型的超声波束形成方法

实用新型 · 2020-04-23
申请号:CN202010061972.7 申请日:20200120 公开号:CN110874828A 公开日:20200310 授权公告号:CN110874828B 授权公告日:20200421 申请人地址:200120 上海市浦东新区中国(上海)自由贸易试验区祖冲之路1077号2幢3388-C室 国家/省市:31(上海) 代理机构:31272 主分类号:G06T5/00 代理人:吴轶淳 申请人:上海尽星生物科技有限责任公司 当前权利人:上海尽星生物科技有限责任公司 发明人:朱瑞星;赵靖;江维娜;张云燕;周建桥 分类号:G06T5/00;G06N3/04 范畴分类:40B; 简要说明:本发明涉及超声波检测技术领域,尤其涉及一种基于该神经网络模型的超声波束形成方法,包括:处理设备接收超声回波射频信号并进行初步处理,以使超声回波射频信号能够适用于神经网络模型;将超声回波射频信号输入神经网络模型;对超声回波射频信号进行多次卷积处理,并在进行每一次卷积处理后进行一次池化处理;将完成最后一次池化处理后的超声回波射频信号进行一维化处理,以将超声回波射频信号从三维数据转换为一维数据;将一维数据进行多次分类处理;将完成分类处理后的超声回波射频信号进行灰度映射以形成超声波束。有益效果:通过神经网络模型对超声回波射频信号进行优化处理以提取出目标特征,从而形成质量更佳的超声波束。 主权利要求:1.一种基于神经网络模型的超声波束形成方法,应用于超声扫查的信号处理过程中,通过一处理设备连接用于接收超声回波射频信号的接收器;其特征在于,采用一神经网络模型处理所述超声回波射频信号,以使所述超声回波射频信号形成超声波束,所述神经网络模型内置于所述处理设备中,还包括以下步骤:步骤S1,所述处理设备接收所述超声回波射频信号并进行初步处理,以使所述超声回波射频信号能够适用于所述神经网络模型;步骤S2,所述处理设备将初步处理后的所述超声回波射频信号输入所述神经网络模型;步骤S3,采用所述神经网络模型对所述超声回波射频信号进行多次卷积处理,并在进行每一次所述卷积处理后进行一次池化处理;步骤S4,采用所述神经网络模型将完成最后一次所述池化处理后的所述超声回波射频信号进行一维化处理,以将所述超声回波射频信号从三维数据转换为一维数据;步骤S5,采用所述神经网络模型将所述一维数据进行多次分类处理;步骤S6,采用所述神经网络模型将完成分类处理后的所述超声回波射频信号进行灰度映射以形成所述超声波束。 当前状态:1 代理机构:上海申新律师事务所 31272 权利要求,1.一种基于神经网络模型的超声波束形成方法,应用于超声扫查的信号处理过程中,通过一处理设备连接用于接收超声回波射频信号的接收器;其特征在于,采用一神经网络模型处理所述超声回波射频信号,以使所述超声回波射频信号形成超声波束,所述神经网络模型内置于所述处理设备中,还包括以下步骤:步骤S1,所述处理设备接收所述超声回波射频信号并进行初步处理,以使所述超声回波射频信号能够适用于所述神经网络模型;步骤S2,所述处理设备将初步处理后的所述超声回波射频信号输入所述神经网络模型;步骤S3,采用所述神经网络模型对所述超声回波射频信号进行多次卷积处理,并在进行每一次所述卷积处理后进行一次池化处理;步骤S4,采用所述神经网络模型将完成最后一次所述池化处理后的所述超声回波射频信号进行一维化处理,以将所述超声回波射频信号从三维数据转换为一维数据;步骤S5,采用所述神经网络模型将所述一维数据进行多次分类处理;步骤S6,采用所述神经网络模型将完成分类处理后的所述超声回波射频信号进行灰度映射以形成所述超声波束。2.根据权利要求1所述的超声波束形成方法,其特征在于,所述步骤S1包括:步骤S11,根据所述超声回波射频信号的维度大小进行分类;步骤S12,再将所述超声回波射频信号从灰度图像数据转换为彩色图像数据,随后转向所述步骤S2。3.根据权利要求1所述的超声波束形成方法,其特征在于,所述步骤S3包括:步骤S31,对所述超声回波射频信号进行第一次卷积处理,并在完成所述第一次卷积处理后通过一第一激活函数输出,以进行第一次池化处理;步骤S32,对所述超声回波射频信号进行第二次卷积处理,并在完成所述第二次卷积处理后通过一第二激活函数输出,以进行第二次池化处理;步骤S33,对所述超声回波射频信号进行第三次卷积处理,并在完成所述第三次卷积处理后通过一第三激活函数输出,以进行第三次池化处理;步骤S34,对所述超声回波射频信号进行第四次卷积处理,并在完成所述第四次卷积处理后通过一第四激活函数输出,以进行第四次池化处理;步骤S35,对所述超声回波射频信号进行第五次卷积处理,并在完成所述第五次卷积处理后通过一第五激活函数输出,以进行第五次池化处理。4.根据权利要求3所述的超声波束形成方法,其特征在于,在所述步骤S31中,所述第一次池化处理采用最大值化处理方法。5.根据权利要求3所述的超声波束形成方法,其特征在于,所述第二次池化处理、所述第三次池化处理、所述第四次池化处理以及所述第五次池化处理均采用均值化处理方法。6.根据权利要求1所述的超声波束形成方法,其特征在于,所述步骤S5包括:步骤S51,对所述一维数据进行第一级分类处理,并通过一第六激活函数输出;步骤S52,对所述一维数据进行第二级分类处理,并通过一第七激活函数输出。7.根据权利要求3所述的超声波束形成方法,其特征在于,所述第一激活函数、所述第二激活函数、所述第三激活函数、所述第四激活函数、所述第五激活函数均为RELU函数。8.一种神经网络模型,其特征在于,应用于如权利要求1-7所述的超声波束形成方法,所述神经网络模型包括:一输入层,用于接收所述超声回波射频信号;复数个卷积层,第一级所述卷积层连接所述输入层;复数个池化层,每个所述池化层连接对应的所述卷积层;一平滑层,连接最后一级所述池化层;复数个全连接层,第一级所述全连接层连接所述平滑层。9.根据权利要求8所述的神经网络模型,其特征在于,所述卷积层和所述池化层的数量为五层。10.根据权利要求9所述的神经网络模型,其特征在于,所述全连接层的数量为两层。 说明书, 神经网络模型及基于神经网络模型的超声波束形成方法 技术领域 本发明涉及超声波检测技术领域,尤其涉及一种神经网络模型及基于该神经网络模型的超声波束形成方法。 背景技术 传统的超声波束形成方法是在接收超声回波射频信号(以下简称RF信号)后通过延时叠加形成,主要包括下述步骤:在接收到RF信号之后,进行低噪放大,可变增益放大,低通滤波,模数转换,正交解调,包络计算,延时叠加等一系列的步骤后形成超声波束。 在现有技术中,传统的超声波束形成方法存在以下问题:(1)计算复杂度较大,并且通常将声速考虑为恒定量,从而导致了RF信号的不正确空间对齐;(2)进行传统的延时叠加,容易造成主瓣宽,旁瓣能量高的问题,从而带来横向分辨率降低和对比度降低;(3)该方法需要进行人为计算,在此之前需要已经得到当前阵列的集合形状和传播媒介特性,并且还需要精心设计扫查序列和每个发射振元的权重,对开发人员的技术水平要求较高;(4)在进行了相应的超声波束形成之后,传统的超声系统需要在图像数据上进行图像增强与优化,这完全依赖于软件后端处理。 因此,本发明基于神经网络模型提出了一种新型的超声波束形成方法来取代传统的方法,在接收RF信号后,让RF信号进入神经网络模型进行优化处理,通过多次卷积和池化处理提取出目标特征,从而形成质量更佳的超声波束,且该方法降低了计算复杂度以及开发难度,有效地降低了开发成本。 发明内容 针对现有技术中存在的上述问题,现提供一种神经网络模型及基于神经网络模型的超声波束形成方法。 具体技术方案如下: 本发明包括一种基于神经网络模型的超声波束形成方法,应用于超声扫查的信号处理过程中,通过一处理设备连接用于接收超声回波射频信号的接收器;采用一神经网络模型处理所述超声回波射频信号,以使所述超声回波射频信号形成超声波束,所述神经网络模型内置于所述处理设备中,还包括以下步骤: 步骤S1,所述处理设备接收所述超声回波射频信号并进行初步处理,以使所述超声回波射频信号能够适用于所述神经网络模型; 步骤S2,所述处理设备将初步处理后的所述超声回波射频信号输入所述神经网络模型; 步骤S3,采用所述神经网络模型对所述超声回波射频信号进行多次卷积处理,并在进行每一次所述卷积处理后进行一次池化处理; 步骤S4,采用所述神经网络模型将完成最后一次所述池化处理后的所述超声回波射频信号进行一维化处理,以将所述超声回波射频信号从三维数据转换为一维数据; 步骤S5,采用所述神经网络模型将所述一维数据进行多次分类处理; 步骤S6,采用所述神经网络模型将完成分类处理后的所述超声回波射频信号进行灰度映射以形成所述超声波束。 优选的,所述步骤S1包括: 步骤S11,根据所述超声回波射频信号的维度大小进行分类; 步骤S12,再将所述超声回波射频信号从灰度图像数据转换为彩色图像数据,随后转向所述步骤S2。 优选的,所述步骤S3包括: 步骤S31,对所述超声回波射频信号进行第一次卷积处理,并在完成所述第一次卷积处理后通过一第一激活函数输出,以进行第一次池化处理; 步骤S32,对所述超声回波射频信号进行第二次卷积处理,并在完成所述第二次卷积处理后通过一第二激活函数输出,以进行第二次池化处理; 步骤S33,对所述超声回波射频信号进行第三次卷积处理,并在完成所述第三次卷积处理后通过一第三激活函数输出,以进行第三次池化处理; 步骤S34,对所述超声回波射频信号进行第四次卷积处理,并在完成所述第四次卷积处理后通过一第四激活函数输出,以进行第四次池化处理; 步骤S35,对所述超声回波射频信号进行第五次卷积处理,并在完成所述第五次卷积处理后通过一第五激活函数输出,以进行第五次池化处理。 优选的,在所述步骤S31中,所述第一次池化处理采用最大值化处理方法。 优选的,所述第二次池化处理、所述第三次池化处理、所述第四次池化处理以及所述第五次池化处理均采用均值化处理方法。 优选的,所述步骤S5包括: 步骤S51,对所述一维数据进行第一级分类处理,并通过一第六激活函数输出; 步骤S52,对所述一维数据进行第二级分类处理,并通过一第七激活函数输出。 优选的,所述第一激活函数、所述第二激活函数、所述第三激活函数、所述第四激活函数、所述第五激活函数均为RELU函数。 本发明还包括一种神经网络模型,应用于上述超声波束形成方法,所述神经网络模型包括: 一输入层,用于接收所述超声回波射频信号; 复数个卷积层,第一级所述卷积层连接所述输入层; 复数个池化层,每个所述池化层连接对应的所述卷积层; 一平滑层,连接最后一级所述池化层; 复数个全连接层,第一级所述全连接层连接所述平滑层。 优选的,所述卷积层和所述池化层的数量为五层。 优选的,所述全连接层的数量为两层。 本发明技术方案的有益效果在于:提供一种使用神经网络模型形成超声波束的方法,在接收RF信号后,让RF信号进入神经网络模型进行优化处理,通过多次卷积和池化处理提取出目标特征,从而形成质量更佳的超声波束,且该方法降低了计算难度以及开发难度,有效地降低了开发成本。 附图说明 参考所附附图,以更加充分地描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。 图1为本发明实施例中的超声波束形成方法的步骤流程图; 图2为本发明实施例中的步骤S1的具体流程图; 图3为本发明实施例中的步骤S3的具体流程图; 图4为本发明实施例中的步骤S5的具体流程图。 具体实施方式 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。 需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。 下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。 本发明包括一种基于神经网络模型的超声波束形成方法,应用于超声扫查的信号处理过程中,通过一处理设备连接用于接收超声回波射频信号的接收器;采用一神经网络模型处理超声回波射频信号,以使超声回波射频信号形成超声波束,如图1所示,神经网络模型内置于处理设备中,还包括以下步骤: 步骤S1,处理设备接收超声回波射频信号并进行初步处理,以使超声回波射频信号能够适用于神经网络模型; 步骤S2,处理设备将初步处理后的超声回波射频信号输入神经网络模型; 步骤S3,采用神经网络模型对超声回波射频信号进行多次卷积处理,并在进行每一次卷积处理后进行一次池化处理; 步骤S4,采用神经网络模型将完成最后一次池化处理后的超声回波射频信号进行一维化处理,以将超声回波射频信号从三维数据转换为一维数据; 步骤S5,采用神经网络模型将一维数据进行多次分类处理; 步骤S6,采用神经网络模型将完成分类处理后的超声回波射频信号进行灰度映射以形成超声波束。 具体地,在本实施例中,超声探头发出超声射频信号,通过接收器周期性地采集超声回波射频信号(以下简称RF信号)并传输给处理设备,接收器优选为模数采样器,处理设备为计算机,首先通过模数采样器将RF信号从模拟信号转换为计算机可识别的数字信号,再将转换为数字信号的RF信号输入计算机内。计算机在接收到RF信号之后,对其进行初步处理,例如,由于RF信号的数据量较大,初步处理可以对数据进行分块处理,以使其大小能够适应神经网络模型。 具体地,在对RF信号进行了初步处理后,再将其送入神经网络模型进行优化,本实施例中的神经网络模型包括一层输入层、多层卷积层、多层池化层、一层平滑层以及多层全连接层。RF信号在神经网络模型内进行多次卷积和池化处理进行目标特征的提取,最终再通过全连接层将所有卷积层提取的目标特征进行分类,最后通过灰度映射形成超声波束,通过超声波束合成超声图像。通过上述方法可取代传统的延时叠加方法,降低超声系统的开发难度,降低计算的复杂度,使得形成的超声系统成像速度更快且超声图像的质量更高。 在一种较优的实施例中,如图2所示,步骤S1包括: 步骤S11,根据超声回波射频信号的维度大小进行分类; 步骤S12,再将超声回波射频信号从灰度图像数据转换为彩色图像数据,随后转向步骤S2。 具体地,在本实施例中,初步处理包括两个主要步骤,首先是对RF信号进行数据分块处理,以使数据的大小能够适应神经网络模型的处理过程,本实施例优选根据244 * 244的维度大小对数据进行分块;此外,还要改变数据的维度,原始的RF信号是一维的灰度图像数据,采用opencv方法将灰度图像数据转换为三维的彩色图像数据(以下简称RGB数据),以便于后续形成彩色超声图像。 具体地,对于RGB数据来说,每种RGB成分都可使用从 0(黑色)到 255(白色)的值。例如,亮红色使用 R 值 246、G 值 20 和 B 值 50。 当所有三种成分值相等时,形成灰色阴影;当所有成分的值均为255时,形成纯白色;当三种成分值为0时,形成纯黑色。本实施例中将灰度图像数据转换为RGB数据的方法为使三种成分值相等,即R=G=B。 在一种较优的实施例中,在对RF信号进行初步处理后,将RF信号输入神经网络模型进行五次卷积处理和五次池化处理。如图3所示,步骤S3具体包括:步骤S31,对RF信号进行第一次卷积处理,并在完成第一次卷积处理后通过一第一激活函数输出,以进行第一次池化处理;步骤S32,对RF信号进行第二次卷积处理,并在完成第二次卷积处理后通过一第二激活函数输出,以进行第二次池化处理;步骤S33,对RF信号进行第三次卷积处理,并在完成第三次卷积处理后通过一第三激活函数输出,以进行第三次池化处理;步骤S34,对RF信号进行第四次卷积处理,并在完成第四次卷积处理后通过一第四激活函数输出,以进行第四次池化处理;步骤S35,对RF信号进行第五次卷积处理,并在完成第五次卷积处理后通过一第五激活函数输出,以进行第五次池化处理。 具体地,通过上述技术方案,RF信号首先进入第一卷积层(B1conv1)进行卷积,滤波器维度为64,使用尺寸为3x3的卷积核,激活函数为RELU,维度大小从(224,224,3)转换为(224,224,64),第一次卷积所得数据通过第一激活函数输出至第一池化层(maxPool1)进行最大值池化,池化大小为2x2,池化步进(stride)为2x2,维度大小从(224,224,64)转换为(112,112,64); 第一次池化所得数据进入第二卷积层(B2conv1),滤波器维度为128,使用3x3卷积核,维度大小从(112,112,64)转换为(112,112,128),第二次卷积所得数据通过第二激活函数输出至第二池化层(AvePool2)进行均值池化,池化大小为2x2,池化步进为2x2,维度大小从(112,112,128)转换为(56,56,128); 第二次池化所得数据进入第三卷积层(B3conv1),滤波器维度为256,使用3x3卷积核,维度大小从(56,56,128)转换为(56,56,256),第三次卷积所得数据通过第三激活函数输出至第三池化层(AvePool3)进行均值池化,池化大小为2x2,池化步进2x2,维度大小从(56,56,256)转换为(28,28,256); 第三次池化所得数据进入第四卷积层(B4conv1),滤波器维度为512,使用3x3卷积核,维度大小从(28,28,256)转换为(28,28,512),第四次卷积所得数据通过第四激活函数输出至第四池化层(AvePool4)进行均值池化,池化大小为2x2,池化步进2x2,维度从(28,28,512)转换为(14,14,512); 第四次池化所得数据进入第五卷积层(B5conv1),滤波器维度为512,使用3x3卷积核,维度大小从(14,14,512)转换为(14,14,512),第五次卷积所得数据通过第五激活函数输出至第五池化层(AvePool5)进行均值池化,池化大小为2x2,池化步进2x2,维度从(14,14,512)转换为(7,7,512); 在步骤S4中,对第五池化层输出的数据进行一维化(Flatten)操作,向量维度从(7,7,512)转换为25088; 在步骤S5中,将得到的一维数据25088送入第一级全连接层(Dense1)进行第一次压缩分类操作,向量维度从25088转换为4096,第一全连接层通过第六激活函数将数据输出至第二全连接层进行第二次压缩分类操作,向量维度从4096转换为256,最后通过第七激活函数输出softmax,随后转向步骤S6,将第七激活函数输出的数据进行灰度映射以形成超声波束。 需要说明的是,本实施例中的第一激活函数、第二激活函数、第三激活函数、第四激活函数以及第五激活函数均为RELU函数。RELU函数是分段线性函数,把所有的负值都变为0,而正值不变,这种操作称为单侧抑制。也就是说,在卷积层的输入是负值的情况下,RELU函数会输出0,那么神经元就不会被激活,这意味着同一时间只有部分神经元会被激活,从而使得网络很稀疏,进而对计算来说是非常有效率的。正因为有了这种单侧抑制,才使得神经网络中的神经元也具有了稀疏激活性,能够更好地挖掘目标特征,拟合训练数据。RELU函数的优势在于没有饱和区,不存在梯度消失问题,计算相对简单,实际收敛速度比Sigmoid函数和tanh函数快很多。 具体地,在每一层卷积层对数据进行卷积处理后,激活RELU函数,通过RELU函数输出至对应的池化层进行池化处理,通过池化处理将卷积层后得到的小邻域内的特征点整合形成新的目标特征,池化层一方面可以防止无用参数增加计算时间或计算复杂度,另一方面增加了目标特征的整合度。 作为优选的实施方式,在步骤31中,第一次池化处理采用最大值化处理方法,第二次池化处理、第三次池化处理、第四次池化处理以及第五次池化处理均采用均值化处理方法。在第一次池化时使用最大值池化可以确保原始RF信号的基本保留,后续的几层卷积处理后均使用均值池化处理是为了使数据更加平滑地过渡到分类网络。 在一种较优的实施例中,如图4所示,步骤S5包括: 步骤S51,对一维数据进行第一级分类处理,并通过一第六激活函数输出; 步骤S52,对一维数据进行第二级分类处理,并通过一第七激活函数输出。 具体地,本实施例中包括两个全连接层,在步骤S4将三维数据进行一维化(Flatten)处理后,第一级全连接层向量维度从(7,7,512)转换为25088,将该数据进行分类(Dense)处理,向量维度从25088转换为4096,通过激活函数RELU输出到下一级的全连接层,下一级全连接层对数据再次进行压缩分类操作,向量维度从4096转换为256,并通过激活函数softmax输出,最终通过灰度映射将分类网络形成的256个分类对应到相应的灰度级别,使用one-hot编码和标记内容进行对比,通过神经网络模型进行优化处理后形成超声波束。 本发明提出了一种神经网络模型,应用于上述技术方案中的超声波束形成方法,如表1所示,神经网络模型包括: 一输入层,用于接收超声回波射频信号; 复数个卷积层,第一级卷积层连接输入层; 复数个池化层,每个池化层连接对应的卷积层; 一平滑层,连接最后一级池化层; 复数个全连接层,第一级全连接层连接平滑层。 具体地,本实施例中在VGG模型的基础上,提出了一种改进的神经网络模型,以使其适用于超声成像系统。本实施例中的神经网络模型包括一层输入层、五层卷积层(表1所示B1conv1 ~ B5conv1)、五层池化层(表1所示maxPool1、AvePool2、AvePool3、AvePool4、AvePool5)、一层平滑层(Flatten)以及两层全连接层(表1所示Dense1、Dense2)。相比现有的VGG模型,该神经网络模型卷积层数较少,使得计算速度更快,从而提升超声成像的速度;此外,本实施例中的第一池化层采用最大值池化处理,使用最大值池化可以确保原始RF信号的基本保留,后续的几层池化处理均使用均值池化处理是为了使数据更加平滑地过渡到分类网络,使得最终获得的超声图像更为细腻。本实施例中的神经网络模型如表1所示。 网络层名称 卷积核大小 滤波器维度 输出大小 激活函数 B1conv1 3x3, stride=1 64 (224,224,64) RELU maxPool1 2x2, stride=2x2 (112,122,64) B2conv1 3x3,stride=1 128 (112,112,128) RELU AvePool2 2x2, stride=2x2 (56,56,128) B3conv1 3x3, stride=1 256 (56,56,256) RELU AvePool3 2x2, stride=2x2 (28,28,256) B4conv1 3x3, stride = 1 512 (28,28,512) RELU Avepool4 2x2, stride=2x2 (14,14,512) B5conv1 3x3, stride=1 512 (14,14,512) RELU Avepool5 2x2, stride=2x2 (7,7,512) Flatten 25088 Dense1 4096 RELU Dense2 256 softmax 表1 本发明技术方案的有益效果在于:提出一种使用神经网络模型形成超声波束的方法以及一种专用的神经网络模型,在接收RF信号后,让RF信号进入该神经网络模型进行优化处理,通过多次卷积和池化处理提取出目标特征,从而形成质量更佳的超声波束,且该方法降低了计算复杂度以及开发难度,有效地降低了开发成本。 以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。

文章推荐:

一种基于生物技术的多级发酵装置

智能笔记本

陶瓷茶杯(一辈子顺杯)

一种基于法律知识图谱的裁判文书相似性判断方法及系统

一种风光热电力互补系统

发表评论