超声成像波束合成算法

超声成像中的波束合成算法是决定图像质量的关键环节，其核心目标在于通过优化信号加权和聚焦策略，提高分辨率、信噪比和对比度。

不同发射模式

---

一、波束合成方法

1、传统延迟叠加（DAS）算法

1.1. 原理
- 发射聚焦：计算各阵元到焦点的声程差，并施加相应延时，使回波同相位叠加。
- 接收聚焦：动态调整接收延时，逐点合成扫描线
- 加权处理：采用变迹函数（如Hamming窗）抑制旁瓣，但会使主瓣宽度有所牺牲。
通过计算各接收通道的传播时间差（延迟），对回波信号进行时序校正后叠加，以实现动态聚焦。权重通常采用固定窗函数（如汉宁窗、变迹窗）来抑制旁瓣。

• 优点：计算简便、实时性强。
• 缺点：旁瓣抑制与分辨率的权衡较为困难，且对介质声速假设较为敏感。

1.2. 改进方向

• 变迹窗函数：通过调整窗函数形状（如线性扫描聚焦）来优化旁瓣抑制。
• 快速矩阵预存法：预存DAS矩阵，在成像时直接进行矩阵乘法以加速计算。

---

2、自适应波束合成算法

2.1. 最小方差（MV/Capon）算法

• 原理：基于接收信号协方差矩阵，计算使输出功率最小的自适应权重，以抑制噪声和干扰。该算法适用于窄带信号，若处理宽带超声则需结合子带分解。
• 改进：
  • 空间平滑技术：通过子孔径平均消除信号相关性（如前后向平滑法）。
  • 稳健性增强：采用对角加载、时间/空间平均等方法提高算法的鲁棒性。

2.2. 广义旁瓣相消（GSC）算法

• 原理：将加权向量分解为自适应与非自适应部分，投影到信号子空间以抑制旁瓣，并结合符号相干系数（SCF）进一步优化。

---

3、编码发射与混合算法

3.1. Chirp编码 + 自适应加权

• 原理：发射调频编码信号（Chirp），通过脉冲压缩提高信噪比，结合自适应加权优化聚焦。
• 优势：能够兼顾横向分辨率与对比度的提升。

3.2. 合成发射孔径（SFA）

• 原理：分次发射部分阵元，合成等效大孔径，实现发射和接收双聚焦，在加速成像的同时保持分辨率。

---

4、新型算法与优化策略

4.1. 方向置信度滤波

• 原理：通过多方向滤波器组提取目标响应特征，计算方向置信度并进行加权叠加，以抑制杂波。

4.2. 快速波束合成技术

• 原理：预存DAS矩阵集合，成像时直接进行矩阵运算，降低实时计算复杂度，以支持4D超声等高帧率应用。

4.3. 虚拟阵元双聚焦（DFB）

• 原理：首次固定焦点聚焦后，利用虚拟阵元计算二次聚焦参数，以提高深部组织分辨率。

4.4. 混合技术

• 平面波+合成孔径：结合多角度发射与合成孔径技术，提升横向分辨率。

---

二、波束合成算法对比与选择

算法类型	分辨率	对比度	计算复杂度	适用场景
DAS	中	低	低	常规成像、对实时性要求高的场景
MV + Capon	高	中	高	需要高分辨率的精细成像场景
Chirp_Capon	高	高	极高	血流成像、对高对比度有需求的场景
SFA + 自适应加权	中高	中高	中	实时三维/弹性成像场景
快速矩阵预存法	中	中	低	4D超声、高帧率实时成像场景

---

三、不同发射模式的成像原理

1. 平面波成像

   • 原理：所有阵元同时发射相同的未延时脉冲，形成覆盖整个成像区域的平面波前，通过一次发射即可接收全部回波数据。
   • 特点：
     • 高帧频：单次发射即可完成成像，帧率可达数千Hz。
     • 分辨率限制：因未聚焦，横向分辨率较低，需通过复合多角度平面波叠加（如CPWI）来提升对比度。
   • 应用场景：适用于实时三维成像、血流动力学监测等对速度要求较高的场景。

2. 弱聚焦成像

   • 原理：在发射阶段采用较宽声束（如浅焦点或小孔径），仅将部分能量聚焦于特定深度，接收时动态调整焦点。
   • 特点：
     • 折中性能：牺牲部分分辨率以换取较高的成像速度，适合用于动态组织观测。
     • 动态孔径：根据探测深度调整有效孔径大小，近场采用小孔径以减少旁瓣，远场采用大孔径以增强聚焦。

3. 发散波成像

   • 原理：阵元按照特定延时序列发射，形成扩散波束（如凸阵探头），可覆盖更广泛的区域。
   • 特点：
     • 宽覆盖：适合大范围扫描（如腹部成像），但边缘分辨率会下降。
     • 几何校正：需通过延时补偿来修正回波路径差异，如对凸阵的曲率半径进行补偿。

4. 技术对比与性能权衡

参数	平面波	弱聚焦	发散波
帧频	最高（千Hz级）	较高	中等
分辨率	低（需复合）	中等	边缘较低
适用场景	高速动态成像	平衡速度与质量	大范围扫描

---

四、挑战与趋势

1. 计算复杂度：MV算法需进行矩阵求逆，硬件实现难度较大，多通过GPU加速或FPGA进行优化。
2. 深度学习融合：利用神经网络优化波束权重和图像后处理，已成为研究热点。

如需具体仿真或参数设计细节，可进一步查阅相关文献。

总结

波束合成算法的选择需要综合考量成像需求（分辨率、帧率、信噪比）以及硬件限制。传统DAS算法目前仍是主流，而自适应算法（如MV、GSC）和混合编码技术在高端应用中正逐步得到广泛应用。未来的发展趋势包括算法并行化（GPU加速）以及深度学习驱动的自适应权重优化。

二、波束合成原理及关键技术

波束合成的核心在于通过调整发射/接收信号的延时与权重，实现空间聚焦和信号增强。

1. 基本原理

   • 延时叠加（DAS）：
     • 发射聚焦：计算各阵元到焦点的声程差，并施加相应延时，使回波同相位叠加。
     • 接收聚焦：动态调整接收延时，逐点合成扫描线，如公式 ( \tau_n = \frac{\sqrt{(x_n - x_p)^2 + z_p^2}}{c} )（其中 ( x_n )为阵元位置，( x_p, z_p )为像素点坐标）。
   • 加权处理：采用变迹函数（如Hamming窗）抑制旁瓣，但会使主瓣宽度有所牺牲。

2. 优化方法

   • 自适应波束合成：
     • 最小方差（MV）算法：利用信号统计特性动态调整权重，以提升分辨率，但需解决宽带信号和相关性干扰问题。
     • 子带分解与空间平滑：将宽带信号分解为子带进行处理，结合前后向平滑消除信号相关性，提升鲁棒性。
   • 混合技术：
     • 平面波+合成孔径：结合多角度发射与合成孔径技术，提升横向分辨率。
     • 编码发射：使用Chirp信号等宽频编码，增强回波信噪比。