一种基于Casorati-奇异值分解的超快平面波超声多普勒自适应时空域杂波抑制算法

徐依雯 杨 晨 徐 杰 焦 阳 崔崤峣

①(苏州国科昂卓医疗科技有限公司 苏州 215163)

②(中国科学院苏州生物医学工程技术研究所 苏州 215163)

③(中国科学技术大学电信学院 合肥 230031)

④(复旦大学工程与应用技术研究院 上海 200433)

1 引言

超声多普勒是经典的血流分析工具，因无害性、实时性、高性价比等优势得到广泛运用，对血液动力学研究及临床医学均有非常重要的意义[1–3]。杂波抑制是超声多普勒成像的重要一环，由静止或慢动组织产生的杂波是图像伪影的主要成因，该领域许多工作都围绕更高效更精准的杂波滤波器展开[4–7]。

最经典的杂波抑制技术是高通滤波，如无限脉冲响应(Infinite Impulse Response,IIR)滤波器和有限脉冲响应(Finite Impulse Response,FIR)滤波器[4,6,7]。在早期的硬件水平限制下，2维超声图像经聚焦声束逐列扫描拼接获得，导致传统超声血流图像视野狭小且时间分辨率低，基于组织与血流信号频谱不重叠的假设，抑制杂波时通常只针对低频组织信号(如图1所示)[4]。然而研究表明，组织和血流信号的频谱有重叠部分，尤其当两者运动速度相近时(脑部与心脏处)，经典高通滤波器难以提取血流信号[8–11]。1996年Allam等人首提特征估计滤波器(Eigen-based filters)[12]，此后在特征估计基础上发展出许多杂波抑制方法，如Hankel-奇异值分解法

图1 理想高通滤波器示意图

(Hankel Singular Value Decomposition,Hankel-SVD)，利用杂波强度通常比血流信号强度高40～100 dB的原理，通过舍弃信号主要成分来实现杂波抑制[12–15]，对不同输入有特异性输出，具有空间适应能力。此类方法需逐点构建慢时信息矩阵，对数据量和信号平稳性要求较高，不仅运算量大，而且在低速血流、高速组织运动或噪声干扰较强的条件下滤波效果不佳。……