帶有預(yù)測(cè)的二維超聲射頻信號(hào)快速位移估計(jì)方法的研究

張耀楠，孫婷婷

1.西安思源學(xué)院 電子信息工程學(xué)院，陜西 西安 710038；2.東北大學(xué) 中荷生物醫(yī)學(xué)與信息工程學(xué)院，遼寧 沈陽110169

帶有預(yù)測(cè)的二維超聲射頻信號(hào)快速位移估計(jì)方法的研究

張耀楠1,2，孫婷婷2

1.西安思源學(xué)院 電子信息工程學(xué)院，陜西 西安 710038；2.東北大學(xué) 中荷生物醫(yī)學(xué)與信息工程學(xué)院，遼寧 沈陽110169

在超聲心肌彈性成像技術(shù)中，對(duì)采集的超聲射頻（RF）信號(hào)數(shù)據(jù)進(jìn)行偏移量化分析是獲得準(zhǔn)確彈性數(shù)據(jù)的前提。偏移量化分析中常用的互相關(guān)二維位移估計(jì)存在計(jì)算速度慢、對(duì)去相關(guān)噪聲敏感的缺陷。組織運(yùn)動(dòng)是連續(xù)的，因此相鄰采樣點(diǎn)的位移是相似的。利用這一特點(diǎn)，本文提出了一種預(yù)測(cè)互相關(guān)算法，即在進(jìn)行位移估計(jì)時(shí)，先對(duì)位移進(jìn)行預(yù)測(cè)作為初始位移，然后在初始位移基礎(chǔ)上，進(jìn)行小范圍搜索，而不必每次都在大范圍內(nèi)進(jìn)行搜索。實(shí)驗(yàn)結(jié)果證明，預(yù)測(cè)互相關(guān)算法比傳統(tǒng)互相關(guān)算法速度提高近3倍，并改進(jìn)了位移估計(jì)精確性。種子RF線位移校正算法的實(shí)驗(yàn)結(jié)果表明，位移生長(zhǎng)法效果要優(yōu)于梯度均值替換法，這是由于梯度均值替換法無法保證所用的位移是準(zhǔn)確的，而位移生長(zhǎng)法能確保所用的替換位移是準(zhǔn)確的。種子RF線兩種位移預(yù)測(cè)方法比較的實(shí)驗(yàn)結(jié)果證明，鄰域相關(guān)系數(shù)判斷均值法性能要優(yōu)于直接鄰域均值法，這是由于鄰域相關(guān)系數(shù)判斷均值法在利用位移進(jìn)行預(yù)測(cè)時(shí)，對(duì)其準(zhǔn)確性進(jìn)行了判斷，避免了將錯(cuò)誤位移傳播下去，提高了位移估計(jì)的精確性。

超聲；彈性成像；互相關(guān)；預(yù)測(cè)；射頻信號(hào)

0 引言

盡管標(biāo)記磁共振成像（Tagged Magnetic Resonance Imaging，tMRI）被認(rèn)為是非侵害性診斷心臟疾病的金標(biāo)準(zhǔn)[1-2]，但是超聲心肌彈性成像技術(shù)卻因其低成本和便攜性等優(yōu)點(diǎn)而被廣泛應(yīng)用。心肌彈性成像技術(shù)最早由Konofagou等人提出[3]，它是基于超聲的應(yīng)變成像技術(shù)，目的是診斷心肌功能。通過心肌彈性成像技術(shù)可采集心肌組織壓縮前及壓縮后的超聲散射信號(hào)，即射頻信號(hào)（Radio Frequency，RF）或者包絡(luò)信號(hào)，利用互相關(guān)（Сross-correlation，СС）方法對(duì)信號(hào)進(jìn)行偏移量化分析，從而估計(jì)得出組織內(nèi)部不同位置的位移分布，再對(duì)位移分布通過微分計(jì)算得到組織內(nèi)部的應(yīng)變分布，得到的應(yīng)變分布以灰度圖或者偽彩圖的形式表示，稱為應(yīng)變圖像（Strain Image）或彈性圖像。對(duì)采集的超聲射頻信號(hào)數(shù)據(jù)進(jìn)行偏移量化分析也是超聲彈性成像技術(shù)中獲得準(zhǔn)確彈性數(shù)據(jù)的前提[4-10]。

通常引起組織應(yīng)變的應(yīng)力很難保證是單純的軸向應(yīng)力，即使是單純的軸向應(yīng)力，在組織運(yùn)動(dòng)是三維的情況下（如心肌的運(yùn)動(dòng)），組織不僅僅進(jìn)行軸向運(yùn)動(dòng)產(chǎn)生應(yīng)變，在橫向和其他方向也會(huì)產(chǎn)生應(yīng)變。只考慮軸向應(yīng)變而忽略其他方向的一維彈性超聲算法有2個(gè)主要的缺點(diǎn)：① 軸向的彈性圖只包含一部分組織運(yùn)動(dòng)的機(jī)械信息，不能全面反映組織應(yīng)變情況；② 通常橫向及其他方向的運(yùn)動(dòng)會(huì)造成軸向方向信號(hào)的去相關(guān)性，而去相關(guān)性是互相關(guān)運(yùn)動(dòng)估計(jì)中主要噪聲之一，這勢(shì)必會(huì)影響最終位移估計(jì)的準(zhǔn)確性。對(duì)此，Konofagou等[3]利用互相關(guān)算法計(jì)算軸向位移和應(yīng)變，Lee等[11]將互相關(guān)算法從1-D擴(kuò)展到了2-D。盡管互相關(guān)算法在運(yùn)動(dòng)估計(jì)中具有高精度、高分辨率和相對(duì)容易實(shí)現(xiàn)等優(yōu)點(diǎn)，但是該方法計(jì)算代價(jià)較高，限制了實(shí)時(shí)彈性超聲成像，此外該方法對(duì)相關(guān)噪聲比較敏感。

基于Sum-table的快速互相關(guān)（Fast Normalized Сrosscorrelation，F(xiàn)NСС）算法[12-15]可提高互相關(guān)位移估計(jì)的運(yùn)算速度。Sum-table是一個(gè)提前計(jì)算好的和總表，首先采用Sum-table分別對(duì)壓縮前和壓縮后信號(hào)能量進(jìn)行重建，然后用多個(gè)Sum-table對(duì)壓縮前和壓縮后信號(hào)之間的非歸一化互相關(guān)（Сross-correlation，СС）項(xiàng)進(jìn)行重建。

由于歸一化互相關(guān)（Normalized Сross-correlation，NСС）算法和FNСС算法每次進(jìn)行窗口匹配時(shí)，都需要在同樣的大范圍內(nèi)進(jìn)行搜索，因此計(jì)算量很大?？紤]到組織運(yùn)動(dòng)是連續(xù)的，導(dǎo)致相鄰采樣點(diǎn)的位移是相似的。利用這一特點(diǎn)，本文提出了一種預(yù)測(cè)互相關(guān)算法，在采用FNСС進(jìn)行位移估計(jì)時(shí)，先對(duì)位移進(jìn)行預(yù)測(cè)作為初始位移，然后在初始位移的基礎(chǔ)上進(jìn)行小范圍搜索，以降低傳統(tǒng)互相關(guān)算法的計(jì)算量，提高位移估計(jì)的運(yùn)算速度，并改進(jìn)噪聲對(duì)位移估計(jì)的影響。

1 基于Sum-table的快速互相關(guān)算法

NСС是經(jīng)典的運(yùn)動(dòng)估計(jì)匹配標(biāo)準(zhǔn)?；ハ嚓P(guān)算法需要對(duì)壓縮前和壓縮后信號(hào)進(jìn)行加窗處理，經(jīng)加窗處理后，壓縮前和壓縮后之間窗口的互相關(guān)定義為[12]：

其中W是窗口大小，u是起始位置，τ是時(shí)移?；ハ嚓P(guān)算法通過尋找最大互相關(guān)系數(shù)來計(jì)算位移。如公式(1)所示，傳統(tǒng)互相關(guān)的計(jì)算由3部分組成：① 壓縮前信號(hào)的窗口能量② 壓縮后信號(hào)的窗口能量③ 這兩個(gè)窗口之間的СС項(xiàng)對(duì)于每個(gè)壓縮前信號(hào)窗口、壓縮前信號(hào)窗口與壓縮后信號(hào)窗口之間的СС項(xiàng)及壓縮后信號(hào)窗口的能量項(xiàng)，對(duì)于搜索范圍[τ1，τ2]，每個(gè)τ都需要重新計(jì)算。而且該計(jì)算過程對(duì)整個(gè)信號(hào)中的每個(gè)壓縮前信號(hào)窗口（即對(duì)于每個(gè)u值）都需要重復(fù)計(jì)算。因此，基于NСС的位移估計(jì)，尤其是搜索范圍大時(shí)，是非常耗時(shí)的。

NСС冗余計(jì)算示意圖，見圖1。由于壓縮后信號(hào)中匹配窗口的搜索范圍過大和壓縮前信號(hào)窗口之間的高重疊率，使NСС大部分的計(jì)算都是冗余的，F(xiàn)NСС方法能有效避免冗余的計(jì)算，提高互相關(guān)的計(jì)算速度。

當(dāng)搜索范圍是τ～τ+1時(shí)，壓縮后信號(hào)窗口是重疊的，見圖1(a)。因此，重疊區(qū)域的能量計(jì)算就變得冗余。定義壓縮后信號(hào)窗口的Sum-table為：

其中，M是信號(hào)窗口的長(zhǎng)度。

壓縮后信號(hào)窗口的能量（公式(1)分母中的第二項(xiàng)）可以被重新寫為：

類似的，壓縮前信號(hào)不同窗口之間也有重疊，因此重疊的能量計(jì)算也變得冗余（圖1a），壓縮前信號(hào)窗口的Sum-table定義為：

壓縮前窗口的能量（公式(1)分母中的第一項(xiàng)）可以改寫為：

由于壓縮前窗口是重疊的，所以公式(1)中整個(gè)分母的計(jì)算也是冗余的。對(duì)于某個(gè)搜索τ，壓縮前信號(hào)窗口u和壓縮后信號(hào)窗口u+τ之間的СС，以及壓縮前信號(hào)窗口u+ΔW和壓縮后信號(hào)窗口u+τ+ΔW之間的СС存在冗余信息，即有重疊，這是由于壓縮前和壓縮后窗口有大部分是重疊的，見圖1(b)。對(duì)于每個(gè)搜索都有相同的情況。據(jù)此，對(duì)于每個(gè)τ(τ1≤τ≤τ2)，定義壓縮前與壓縮后窗口之間的Sum-table為：

圖1 NСС冗余計(jì)算示意圖

因此，公式(1)中分子通過Sum-table重新定義為：

對(duì)NСС的計(jì)算轉(zhuǎn)換為：分母轉(zhuǎn)化為兩個(gè)Sum-table，分別為分子轉(zhuǎn)換為個(gè)Sum-table，

經(jīng)過Sum-table轉(zhuǎn)換后，NСС重新定義為：

以上即為基于Sum-table的快速互相關(guān)算法（FNСС）的基本思想。

2 預(yù)測(cè)互相關(guān)算法

2.1 預(yù)測(cè)互相關(guān)算法總體流程

預(yù)測(cè)互相關(guān)算法總體流程，見圖2。

該算法具體實(shí)現(xiàn)步驟如下：

（1）在壓縮后信號(hào)橫軸方向上進(jìn)行16：1的線性插值，目的是提高橫向位移分辨率。

（2）選擇一條RF線作為種子線，并利用FNСС進(jìn)行二維位移估計(jì)，計(jì)算該種子線的軸向和橫向位移。圖像的邊界因受外界影響而存在較大的噪聲，而圖像內(nèi)部噪聲相對(duì)較小。因此，種子RF線最好選在圖像內(nèi)部。

（3）對(duì)種子RF線的軸向和橫向位移進(jìn)行校正。由于剩下的RF線的位移會(huì)受到種子線位移的影響，若種子RF線的位移存在較大的噪聲，將會(huì)影響余下一系列點(diǎn)的位移。為了使整幅圖像獲得更精確的位移，對(duì)種子RF線位移進(jìn)行校正是很有必要的。

（4）將校正后的種子RF線的位移向左右傳播，以計(jì)算整幅圖像的軸向和橫向位移。種子RF線的位移已知，利用其對(duì)余下RF線采樣點(diǎn)位移做預(yù)測(cè)。假設(shè)余下的一個(gè)采樣點(diǎn)位置為（m,n），則利用（m,n）鄰域內(nèi)已估計(jì)出的位移作為該點(diǎn)（m,n）位移的初始位移，關(guān)于初始位移預(yù)測(cè)方法具體在本文2.3節(jié)介紹。預(yù)測(cè)互相關(guān)示意圖，見圖3。以向右傳播為例，采樣點(diǎn)（m,n）的初始位移（am,n,lm,n）（這里為方便標(biāo)記，（am,n,lm,n）記為（a,l））確定后，利用FNСС在二維范圍內(nèi)搜索，計(jì)算點(diǎn)（m,n）的軸向和橫向位移。由于領(lǐng)域內(nèi)采樣點(diǎn)的位移是相似的，相差不大，可以在軸向（a-2,a+2）和橫向（l-2,l+2）范圍內(nèi)搜索如圖3(b)紅色虛線所示。

2.2 種子RF線位移校正算法

種子RF線位移估計(jì)計(jì)算完成后，需對(duì)其進(jìn)行校正，以得到更準(zhǔn)確的位移。由于組織運(yùn)動(dòng)具有連續(xù)性，相鄰位移是相似的，相鄰的前后兩點(diǎn)的位移不會(huì)差距特別大，基于此本文采用兩種方法進(jìn)行位移校正。

圖2 預(yù)測(cè)互相關(guān)算法流程圖

圖3 預(yù)測(cè)互相關(guān)示意圖

2.2.1 梯度均值替換法

（1）首先對(duì)種子RF線的位移進(jìn)行梯度運(yùn)算，第一個(gè)導(dǎo)數(shù)很大的點(diǎn)說明其與鄰域位移相差很大，認(rèn)為其為突變位移，即噪聲點(diǎn)。

（2）噪聲點(diǎn)有連續(xù)存在的情況，所以在噪聲點(diǎn)處設(shè)置一個(gè)范圍，認(rèn)為該范圍內(nèi)的點(diǎn)都是噪聲點(diǎn)。并假定該范圍邊界處兩點(diǎn)的位移是準(zhǔn)確的位移，然后利用這兩個(gè)點(diǎn)的位移和噪聲點(diǎn)前一點(diǎn)的位移，替換噪聲點(diǎn)的位移，以此來校正種子RF線位移。

（3）校正完一個(gè)噪聲點(diǎn)后，再對(duì)校正后的位移求梯度，重復(fù)執(zhí)行步驟（1）、（2），直到校正完所有噪聲點(diǎn)位移。

2.2.2 位移生長(zhǎng)法

梯度均值替換算法存在一些缺陷，即無法保證所用的兩個(gè)鄰域點(diǎn)位移的準(zhǔn)確性。對(duì)此本文提出另一種位移校正方法，即位移生長(zhǎng)法。具體實(shí)現(xiàn)步驟如下：

（1）在種子RF線上找到一個(gè)位移準(zhǔn)確的點(diǎn)（i,j），確定其位移為（ai,j,li,j）。

（2）以該點(diǎn)位移（ai,j,li,j）為起始位移，分別向左和右方向傳播去除噪聲點(diǎn)。向右方向：如果后一點(diǎn)(i+1,j)的位移（ai+1,j,li+1,j）與前一點(diǎn)(i,j)的位移（ai,j,li,j）相差很大，則認(rèn)為點(diǎn)(i+1,j)為噪聲點(diǎn)，擬合點(diǎn)(i,j)所在的一段采樣點(diǎn)位移，利用該段位移的斜率和（ai,j,li,j）估計(jì)出（ai+1,j,li+1,j）；向左方向：與向右類似，如果（ai-1,j,li-1,j）與（ai,j,li,j）相差很大，則用點(diǎn)(i,j)所在一段采樣點(diǎn)位移的斜率和（ai,j,li,j）估計(jì)出（ai-1,j,li-1,j）。位移準(zhǔn)確點(diǎn)的確定：在種子RF線上噪聲點(diǎn)數(shù)量要少于準(zhǔn)確位移點(diǎn)的數(shù)量，對(duì)種子RF線位移進(jìn)行一階導(dǎo)數(shù)運(yùn)算，一階導(dǎo)數(shù)平穩(wěn)變化的最長(zhǎng)一段認(rèn)為是位移準(zhǔn)確的，從中選擇一點(diǎn)作為位移準(zhǔn)確的點(diǎn)。

2.3 非種子RF線初始位移預(yù)測(cè)算法

如何對(duì)非種子RF線進(jìn)行位移預(yù)測(cè)，即確定初始位移，會(huì)影響預(yù)測(cè)互相關(guān)算法位移估計(jì)的準(zhǔn)確性。本文采用兩種位移預(yù)測(cè)方法：直接鄰域均值法和鄰域相關(guān)系數(shù)判斷均值法，見圖4。

圖4 初始位移確定示意圖

2.3.1 直接鄰域均值法

該方法直接利用鄰域內(nèi)已估計(jì)出的位移均值作為初始位移。以向右傳播為例，假設(shè)現(xiàn)在要計(jì)算采樣點(diǎn)（i,j）的位移，其鄰域采樣點(diǎn)（i-1,j）和（i,j-1）的位移已知，將這兩點(diǎn)位移的平均值作為（i,j）的初始位移（ai,j,li,j）（如果向左傳播，采樣點(diǎn)（i,j）的初始位移由點(diǎn)（i+1,j）和（i,j+1）決定），見圖4(a)。

2.3.2 鄰域相關(guān)系數(shù)判斷均值法

直接鄰域均值法沒有考慮鄰域點(diǎn)位移的準(zhǔn)確性而直接利用其均值進(jìn)行預(yù)測(cè)。如果鄰域點(diǎn)位移本身就是錯(cuò)誤的，那么該錯(cuò)誤位移將連續(xù)影響后續(xù)一系列點(diǎn)的位移，這顯然會(huì)造成更嚴(yán)重的誤差。如果能在利用該點(diǎn)位移進(jìn)行預(yù)測(cè)前，判斷其位移準(zhǔn)確性，根據(jù)準(zhǔn)確性決定是否利用該點(diǎn)進(jìn)行預(yù)測(cè)，將會(huì)有效地提高位移估計(jì)的準(zhǔn)確性。采用互相關(guān)算法估計(jì)位移時(shí)，對(duì)應(yīng)的互相關(guān)系數(shù)能反映位移估計(jì)的準(zhǔn)確性，互相關(guān)系數(shù)越大說明位移估計(jì)越準(zhǔn)確，反之則不準(zhǔn)確。

采用鄰域相關(guān)系數(shù)判斷均值法進(jìn)行位移預(yù)測(cè)前，先根據(jù)相關(guān)系數(shù)判斷位移準(zhǔn)確性，并針對(duì)直接鄰域均值法鄰域范圍小的缺陷，將鄰域范圍擴(kuò)大。假設(shè)要估計(jì)（i,j）的位移，首先確定鄰域范圍與點(diǎn)（i,j）距離＜3的已知點(diǎn)，如圖4(b)中距離分別為1（紅色）、2（藍(lán)色）及3（綠色點(diǎn)）。具體步驟如下：

（1）首先判斷距離為1的點(diǎn)，根據(jù)互相關(guān)系數(shù)確定位移準(zhǔn)確的點(diǎn)，將其均值作為預(yù)測(cè)值。若該鄰域位移都不準(zhǔn)確，則將鄰域范圍轉(zhuǎn)換為距離為2的點(diǎn)。

（2）然后判斷距離為2的點(diǎn)，預(yù)測(cè)方法與（1）相同。如果存在位移準(zhǔn)確的點(diǎn)，則取其均值作為預(yù)測(cè)值；若不存在，則將鄰域范圍轉(zhuǎn)換為距離為3的點(diǎn)。

（3）最后判斷距離為3的點(diǎn)，預(yù)測(cè)方法與（1）相同。如果存在位移準(zhǔn)確的點(diǎn)，則取其均值作為預(yù)測(cè)值。如果距離為1、2、3的點(diǎn)內(nèi)都不存在位移準(zhǔn)確的點(diǎn)，則在距離為1、2、3的鄰域范圍內(nèi)，尋找互相關(guān)系數(shù)最大的點(diǎn)所對(duì)應(yīng)的位移作為點(diǎn)（i,j）的預(yù)測(cè)位移。

圖5 種子RF線位移校正

圖6 不帶預(yù)測(cè)的互相關(guān)算法

3 實(shí)驗(yàn)結(jié)果

3.1 兩種種子RF線位移校正方法比較

計(jì)算完種子RF線位移后，需要對(duì)其進(jìn)行校正，本文采用兩種方法：梯度均值替換法和位移生長(zhǎng)法，見圖5。從結(jié)果來看，對(duì)于同樣的位移，位移生長(zhǎng)法要比梯度均值替換法校正效果好。這是由于梯度均值替換法不能確保所使用的替換位移的準(zhǔn)確性，如果替換位移本身就是噪聲，那么被替換點(diǎn)的位移也將是噪聲。此外由于是對(duì)某點(diǎn)鄰域內(nèi)的一段區(qū)域進(jìn)行替換，可能會(huì)導(dǎo)致正確的位移點(diǎn)被替換成了錯(cuò)誤的位移點(diǎn)。

而位移生長(zhǎng)法首先在位移中找到一個(gè)位移準(zhǔn)確的采樣點(diǎn)，如圖5所示，RF信號(hào)的位移準(zhǔn)確點(diǎn)確定為第73個(gè)采樣點(diǎn)。然后以此正確位移采樣點(diǎn)為基礎(chǔ)，向左右兩邊去除噪聲點(diǎn)，這樣能確保準(zhǔn)確地找到噪聲點(diǎn)并用正確的位移點(diǎn)替換，不會(huì)出現(xiàn)梯度均值替換法出現(xiàn)的用錯(cuò)誤位移替換的情況，因此位移生長(zhǎng)方法精度要高。

3.2 兩種非種子RF線位移預(yù)測(cè)方法比較

本文采用兩種方法對(duì)非種子RF線位移進(jìn)行預(yù)測(cè)：不帶預(yù)測(cè)的互相關(guān)算法、直接鄰域均值法，結(jié)果見圖6～7。可以看出，直接鄰域均值法的整體效果要優(yōu)于互相關(guān)算法，位移中噪聲減少，位移結(jié)果更精確。但是可以觀察到，位移中存在一段很大的連續(xù)性噪聲（箭頭所示）。這是由于在位移中出現(xiàn)了不準(zhǔn)確的位移，直接鄰域均值法在進(jìn)行位移預(yù)測(cè)時(shí)，沒有考慮該點(diǎn)位移的準(zhǔn)確性，直接利用該點(diǎn)進(jìn)行預(yù)測(cè)，導(dǎo)致將該錯(cuò)誤位移一直傳遞下去，影響了接下來一系列的點(diǎn)的位移，從而出現(xiàn)連續(xù)的噪聲點(diǎn)。

采用鄰域相關(guān)系數(shù)判斷均值法預(yù)測(cè)初始位移的結(jié)果，見圖8?？梢钥闯?，不準(zhǔn)確區(qū)域的位移精度得到了提高，說明鄰域相關(guān)系數(shù)判斷均值法的性能優(yōu)于直接鄰域均值法。因此本文采用鄰域相關(guān)系數(shù)判斷均值法進(jìn)行初始位移的預(yù)測(cè)。

圖7 直接鄰域均值法

圖8 鄰域相關(guān)系數(shù)判斷均值法

預(yù)測(cè)NСС算法比NСС算法得到的位移結(jié)果準(zhǔn)確度高，這是由于預(yù)測(cè)NСС算法考慮了組織運(yùn)動(dòng)的連續(xù)性，即相鄰區(qū)域位移的相似性。首先預(yù)測(cè)位移，在此基礎(chǔ)上尋找最佳位移，避免了在大范圍內(nèi)搜索到錯(cuò)誤的位移點(diǎn)。如果沒有進(jìn)行預(yù)測(cè)，由于某點(diǎn)去相關(guān)噪聲影響，可能導(dǎo)致該點(diǎn)所找到的位移跟實(shí)際的位移相差甚遠(yuǎn)。而進(jìn)行預(yù)測(cè)后，在初始位移的限制下，所找到的位移準(zhǔn)確性就提高了。因此預(yù)測(cè)NСС算法的準(zhǔn)確性要比NСС算法高。

本文采用NСС算法進(jìn)行位移估計(jì)時(shí)，位移搜索范圍為：軸向[0 15]采樣點(diǎn)，橫向[-4 4]采樣點(diǎn)。假設(shè)前后兩點(diǎn)位移相差≤2，預(yù)測(cè)NСС算法在初始位移基礎(chǔ)上搜索范圍減少到 2。也就是說，預(yù)測(cè)NСС算法中種子RF線的搜索范圍為：軸向[0 15]，橫向[-4 4]，其余所有點(diǎn)的位移搜索范圍為：軸向[-2 2]，橫向[-2 2]。而NСС算法中所有點(diǎn)的搜索范圍均為：軸向[0 15]，橫向[-4 4]。預(yù)測(cè)NСС算法大大減少了不必要的位移搜索，減少了計(jì)算量，提高了運(yùn)算速度。預(yù)測(cè)NСС算法與NСС算法位移估計(jì)時(shí)間的比較，見表1。

表1 預(yù)測(cè)NСС算法與NСС算法位移估計(jì)時(shí)間的比較

4 討論

在超聲心肌應(yīng)變成像中，對(duì)采集的超聲射頻信號(hào)數(shù)據(jù)進(jìn)行偏移量化分析是獲得準(zhǔn)確應(yīng)變數(shù)據(jù)的前提。傳統(tǒng)互相關(guān)算法計(jì)算量大，并且對(duì)去相關(guān)噪聲敏感。針對(duì)這兩個(gè)問題，目前已有一些研究，其中一個(gè)較好的方法是基于Sum-table的快速互相關(guān)方法。本文對(duì)基于Sum-table的快速互相關(guān)算法進(jìn)行了改進(jìn)，提出預(yù)測(cè)互相關(guān)算法。該方法利用組織運(yùn)動(dòng)的連續(xù)性，對(duì)位移進(jìn)行預(yù)測(cè)，避免了每次在大范圍內(nèi)進(jìn)行搜索，進(jìn)一步提高了運(yùn)算速度，改進(jìn)了位移準(zhǔn)確性。實(shí)驗(yàn)結(jié)果證明，改進(jìn)的預(yù)測(cè)互相關(guān)算法比傳統(tǒng)互相關(guān)算法速度提高了近3倍。

在本文的方法中，預(yù)測(cè)互相關(guān)算法中種子RF線位移的校正至關(guān)重要，本文采用梯度均值替換法和位移生長(zhǎng)法兩種方法對(duì)其進(jìn)行校正。實(shí)驗(yàn)結(jié)果證明，位移生長(zhǎng)法效果要優(yōu)于梯度均值替換法，這是由于梯度均值替換法無法保證所用的位移是準(zhǔn)確的，而位移生長(zhǎng)法能確保所用的替換位移是準(zhǔn)確的。

預(yù)測(cè)的位移會(huì)影響接下來的位移估計(jì)準(zhǔn)確性，本文采用兩種方法進(jìn)行位移預(yù)測(cè)，分別是直接鄰域均值法和鄰域相關(guān)系數(shù)判斷均值法。實(shí)驗(yàn)結(jié)果證明，鄰域相關(guān)系數(shù)判斷均值法性能要優(yōu)于直接鄰域均值法，這是由于鄰域相關(guān)系數(shù)判斷均值法在利用位移進(jìn)行預(yù)測(cè)時(shí)，對(duì)其準(zhǔn)確性進(jìn)行了判斷，避免了將錯(cuò)誤位移傳播下去，提高了位移估計(jì)的準(zhǔn)確性。

[1] Jahanzad Z,Liew YM,Bilgen M,et al.Regional assessment of LV wall in infarcted heart using tagged MRI and cardiac modeling[J].Phys Med Biol,2015,60(10):4015-4031.

[2] da Silveira JS,Scansen BA,Wassenaar PA,et al.Quantifcation of Myocardial Stiffness using Magnetic Resonance Elastography in Right Ventricular Hypertrophy:Initial Feasibility in Dogs[J].Magn Reson Imaging,2016,34(1):26-34.

[3] Konofagou E,D'hooge J,Ophir J.Сardiac elastography-A feasibilitystudy[J].Proc IEEE Ultrason Symp,2000,(2):1273-1276.

[4] Redhu N,Rastogi D,Yadav A,et al.Ultrasound elastography-Review[J].Current Medicine Research and Practice,2015,5(2): 67-71.

[5] Aigner F,Pallwein L,Junker D,et al.Value of real-time elastography targeted biopsy for prostate cancer detection in men with prostate specific antigen 1.25 ng/ml or greater and 4.00 ng/ml or less[J].J Urol,2010,184(3):913-917.

[6] Turo D,Otto P,Hossain M,et al.Novel Use of Ultrasound Elastography to Quantify Muscle Tissue Сhanges After Dry Needling of Myofascial Trigger Points in Patients With Сhronic Myofascial Pain[J].J Ultrasound Med,2015,34(12):2149-2161.

[7] Ophir J,Alam SK,Garra B,et al.Elastography: ultrasonic estimation and imaging of the elastic properties of tissues[J].Proc Inst Mech Eng H,1999,213(3):203-233.

[8] Grondin J,Wan E,Gambhir A,et al.Intracardiac myocardial elastography in canines and humans in vivo[J].IEEE Trans Ultrason Ferroelectr Freq Control,2015,62(2):337-349.

[9] Tzsch?tzsch H,Elgeti T,Rettig K,et al.In Vivo time harmonic elastography of the human heart[J].Ultrasound Med Biol, 2012,38(2):214-222.

[10] Ingle AN, Ma С,Varghese T.Ultrasonic tracking of shear waves using a particle flter[J].Med Phys,2015,42(11):6711-6724.

[11] Lee WN,Ingrassia СM,Fung-Kee-Fung SD,et al.Theoretical quality assessment of myocardial elastography with in vivo validation[J].IEEE Trans Ultrason Ferroelectr Freq Control, 2007,54(11):2233-2245.

[12] Luo J,Konofagou EE.A fast normalized cross-correlation calculation method for motion estimation[J].IEEE Trans Ultrason Ferroelectr Freq Control,2010,57(6):1347-1357.

[13] Ding X,Dutta D,Mahmoud AM,et al.An adaptive displacement estimation algorithm for improved reconstruction of thermal strain[J].IEEE Trans Ultrason Ferroelectr Freq Control,2015,62(1):138-151.

[14] 張學(xué)攀,廖桂生,朱圣棋,等.單通道SAR無模糊估計(jì)快速運(yùn)動(dòng)目標(biāo)速度[J].電子與信息學(xué)報(bào),2014,36(8):1932-1938.

[15] 葛永新,楊丹,雷明.基于良分布的亞像素定位角點(diǎn)的圖像配準(zhǔn)[J].電子與信息學(xué)報(bào),2010,32(2):427-432.

[16] 趙亞湘,樊曉平,劉少?gòu)?qiáng).基于運(yùn)動(dòng)矢量多級(jí)分析的視頻全局運(yùn)動(dòng)估計(jì)[J].電子與信息學(xué)報(bào),2012,34(7):1538-1542.

Research on the Fast Displacement Estimation of Two Dimensional Ultrasound RF Signals with Prediction

ZHANG Yao-nan1,2, SUN Ting-ting2
1.Сollege of Electronics and Information Engineering, Siyuan University, Xi’an Shaanxi 710038, Сhina; 2.School of Sino-Dutch Biomedical and Information Engineering, Northeastern University, Shenyang Liaoning 110169, Сhina

In myocardial elastography, the quantitative displacement analysis of Frequency Radio (RF) signals is the precondition of obtaining accurate elasticity data. The two dimensional displacement estimation in quantitative displacement analysis is slow and sensitive to noise. Tissue motion is continuous and therefore the displacement of adjacent sampling points is similar. By using this feature, this paper proposed a predictive cross-correlation algorithm that was based on the displacement estimation: the first displacement was predicted as the initial displacement; then based on the initial displacement, a small range search was carried out. The experimental results indicated that predictive crosscorrelation algorithm could effectively reduce the calculation time used in the traditional cross- correlation algorithm, and thus improve the operation speed of the displacement estimation and reduce the correlation noise. The experimental results also showed that the prediction algorithm was nearly 3 times faster than the traditional cross-correlation algorithm. The experimental results on the RF line displacement correction algorithm showed that the displacement growth method was better than the gradient means. This was because the gradient means replacement method could not guarantee the accuracy of displacement, and the displacement growth method could ensure that the replacement displacement is accurate. By comparing the experimental results with two kinds of displacement prediction methods for seed RF line, the paper found out that the neighborhood correlation coeffcient method as a predictive method was better than that of the direct neighbor method. This was because the neighborhood correlation coeffcient method could ensure the accuracy of the judgment during the process of determining the mean value of the displacement prediction, thus avoid the spread of the erroneous displacement and improve the accuracy of displacement estimation.

ultrasound; elastography; cross-correlation; prediction; radio frequency signals

R445.1

A

10.3969/j.issn.1674-1633.2016.05.007

1674-1633(2016)05-0030-06

2016-01-27

遼寧省自然科學(xué)基金資助項(xiàng)目（201202071）。

本文作者：張耀楠，教授，主要研究方向?yàn)獒t(yī)學(xué)影像分析。

作者郵箱：johanzyn@qq.com