[发明专利]一种基于全卷积神经网络的声波渡越时间检测方法

说明书

本发明公开了一种基于全卷积神经网络的声波渡越时间检测方法，通过将全卷积神经网络应用于医学超声CT中渡越时间的检测，可以得到更高的渡越时间检测精度以及更好的噪声鲁棒性。与传统的渡越时间检测方法只能结合输入信号的几个特征相比，本发明采用的基于全卷积神经网络的声波渡越时间检测方法，能够自动提取多个且不同层次的特征，不仅可以利用到输入信号的局部细节信息，还能结合输入信号的整体趋势来进行分析，从而能够得到更加准确的结果。并且，本发明采用容易标记的仿真数据进行训练，不需要对庞大的数据集一一进行手动标记，可以节省检测时间、降低检测成本。

技术领域

本发明涉及生物医学超声学中的超声CT声速成像技术领域，尤其涉及一种基于全卷积神经网络的声波渡越时间检测方法。

背景技术

超声CT成像可以提供三维图像。超声CT声速成像是超声CT成像中的一种，它基于超声波在不同组织的声速不同这一特点，可以通过重建在乳腺内的声速分布来区分正常腺体与癌变组织，甚至可以区分不同种类的肿瘤。而重建中很关键的一步是获取超声波信号的渡越时间，即超声波从发射到被接收的时间。

目前，在超声CT领域最常用的获取渡越时间的方法主要有两种。一种是AIC(Akaike information criterion)方法，该方法通过固定的传感器之间的距离推测出一个可能存在初至点的时窗，再遍历时窗中的每个采样点，利用这个采样点将时窗分为两部分，计算两个时段的熵之和，熵之和最小时对应的分割点即视为信号初至点。该方法的抗噪能力不强，噪声会对其检测结果产生较大影响。另一种是互相关法(cross-correlation,CC)，该方法利用超声波通过纯水介质得到的信号与超声波穿过目标介质得到的信号进行互相关，利用互相关函数来判断渡越时间，准确来说，该方法通过互相关函数的最大值来寻找两种信号的渡越时间差。该方法主要是利用信号的波形相关性来进行判断，因此具有很强的抗噪能力。然而，一旦经过比较复杂的介质后，信号形状会发生改变，对相关函数的值产生很大的波动，从而导致准确性大大降低。

发明内容

有鉴于此，本发明提供了一种基于全卷积神经网络的声波渡越时间检测方法，用以解决现有检测方法存在的噪声鲁棒性较差、透过结构复杂的介质时声波的渡越时间检测精度较低的问题。

因此，本发明提供了一种基于全卷积神经网络的声波渡越时间检测方法，包括如下步骤：

S1：对待测信号进行时窗截取，截取的长度保持一致，记下时窗起点在所述待测信号中对应的时间，并对待测信号进行取绝对值和归一化处理；

S2：将处理后的待测信号输入训练好的全卷积神经网络模型，得到输出函数；

S3：寻找所述输出函数的最大值在所述待测信号中对应的时间，所述输出函数的最大值在所述待测信号中对应的时间，与所述待测信号在时窗截取过程中记下的时窗起点在所述待测信号中对应的时间之和，为检测到的渡越时间。

在一种可能的实现方式中，在本发明提供的上述声波渡越时间检测方法中，所述全卷积神经网络模型的训练过程，包括如下步骤：

S21：利用核磁共振图像划分的声速区域获得仿真数据；

S22：对获得的所述仿真数据进行标注，得到超声信号初至时刻，标注的标签形状采用一维的高斯函数，将所述超声信号初至时刻作为所述高斯函数的中心位置；

S23：根据超声换能器之间的距离推算出所述超声信号初至时刻的所在范围，根据推算出的所述超声信号初至时刻的所在范围，对所述仿真数据和所述标签进行时窗截取，截取的长度保持一致，记下时窗起点在所述仿真数据中对应的时间，并在所述仿真数据中添加白噪声，再对添加白噪声后的仿真数据进行取绝对值和归一化处理，完成训练集的制作；

S24：建立全卷积神经网络模型，将制作好的训练集输入所述全卷积神经网络模型，对所述全卷积神经网络模型进行训练；