摘要：在高强度聚焦超声治疗中,需要在监控超声图像中准确地提取治疗的目标区域,但受到超声图像中复杂背景和大量噪声的干扰,传统图像分割算法对超声图像中目标区域分割时存在局限性.为了提取超声图像中的目标区域,提出一种结合改进DeepLabv3+网络和改进损失函数的语义分割方法.在DeepLabv3+网络的基础上,加入串联了DenseASPP结构与通道注意力机制的注意力机制增强DenseASPP到DeepLabv3+编码器中,并提出一种特征图加权模块加入DeepLabv3+解码器中,以提高网络特征提取能力和对目标区域边缘的分割精度;在损失函数上,结合Huber损失和noise-robust Dice损失得到的改进损失,解决多类别像素数量比例失衡问题并提高损失函数对噪声的鲁棒性.消融实验结果表明,与原始DeepLabv3+网络相比,改进DeepLabv3+网络分割结果的MIoU提高0.46个百分点,使用改进损失函数训练的改进DeepLabv3+网络分割结果的MIoU提高0.99个百分点.所提方法有效地提高了对高强度聚焦超声治疗监控超声图像中目标区域的分割精度,并对噪声具有强鲁棒性.

摘要：由于传统的降噪处理方法很难干净地去除高强度聚焦超声(HIFU)信号中的噪声,提出利用压缩感知(CS)对HIFU回波信号进行降噪。在观测矩阵的设计中将传统的高斯随机观测矩阵改进为稀疏循环结构化矩阵,减少了构造观测矩阵和重构信号的时间。仿真实验表明,与带通滤波器、小波降噪方法和经验模态分解(EMD)降噪方法相比,该方法得到的信号的重构信噪比(RSNR)更高,重构均方差(RMSE)和最大误差(ME)更小。用不同方法对不同温度下获得的HIFU回波信号进行去噪并提取二次谐波激发效率,发现采用该方法得到的二次谐波激发效率曲线方差和波动更小,验证了该降噪方法在实测信号中的优越性。