[发明专利]基于神经网络的超声背散射零差K模型参数估算方法

说明书

本发明公开了一种基于神经网络的超声背散射零差K模型参数估算方法，是根据已知的超声背散射零差K模型的参数μ和k，利用蒙特卡洛仿真产生零差K模型独立同分布的超声背向散射信号样本；基于这些样本计算特征参数；利用计算得到的特征参数和已知的μ和k，训练得到反向传播神经网络模型；对于待测的超声背向散射信号样本，首先计算其特征参数，再将特征参数输入训练得到的反向传播神经网络模型，就可得到待测样本的零差K模型参数μ和k的估算结果。本发明方法相比现有技术，具有更高的估算精度和更快的估算速度。

技术领域

本发明属于信号处理技术领域，特别涉及一种医学超声信号处理方法，更具体地，是利用超声背散射信号和神经网络计算零差K模型参数的方法。

背景技术

超声背散射统计参数成像，从背散射信号概率分布模式出发，已成为一类重要的定量超声技术，广泛应用于各种超声组织定征。这类技术包括超声Nakagami成像、信息理论熵成像、零差K(homodyned K)成像等。其中，零差K分布是最具有散射物理意义的超声背散射统计模型，但其模型参数估算相对复杂，一定程度上限制了它的应用。零差K分布模型的概率密度函数为：

式中，A表示超声背散射信号的包络振幅，f(A)是包络振幅的概率密度函数，x是积分变量，J₀(·)是零阶第一类Bessel函数，s²表示相干散射信号的能量，σ²表示弥漫散射信号的能量，μ是超声波分辨单元内的有效散射子数目；定义参数k＝s/σ，表示相干散射信号与弥漫散射信号的比值。

零差K模型的主要参数包括μ和k。从背散射信号中估算零差K分布的参数是一个逆问题，传统估算方法主要有：矩估计法(Dutt V,Greenleaf J F.Ultrasound echoenvelope analysis using a homodyned K distribution signal model[J].UltrasonicImaging,1994,16(4):265-287)、RSK法(Hruska D P,Oelze M L.Improved parameterestimates based on the homodyned K distribution[J].IEEE Transactions onUltrasonics,Ferroelectrics,and Frequency Control,2009,56(11):2471-2481)、XU统计法(Destrempes F,Porée J,Cloutier G.Estimation method of the homodyned K-distribution based on the mean intensity and two log-moments[J].SIAM Journalon Imaging Sciences,2013,6(3):1499-1530)。但这些方法均存在估算精度不足和估算速度较慢的问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出一种基于神经网络的超声背散射零差K模型参数估算方法。

为实现上述目的，本发明采用如下的技术方案：

一种基于神经网络的超声背散射零差K模型参数估算方法，根据已知的零差K模型的参数μ和k，利用蒙特卡洛仿真产生零差K模型独立同分布的超声背向散射信号样本；基于这些样本计算特征参数；利用计算得到的特征参数和已知的μ和k，训练得到反向传播神经网络模型；对于待测样本，首先计算其特征参数，再将特征参数输入训练得到的神经网络模型，就可得到待测样本的零差K模型参数的估算结果。本发明方法具体包括以下步骤：