✨ 长期致力于乳腺癌、压电微机械超声换能器、柱形运动、超声CT、断层成像算法研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1PMUT线阵柱形扫描系统与圆周扫描算法设计一套由四个1×128 PMUT线阵垂直交叉90度安装的乳腺超声CT系统线阵长度13cm包围乳腺组织实现非接触柱面检测。每个PMUT单元中心频率3.5MHz带宽75%。通过步进电机带动整个阵列绕乳腺轴线旋转每旋转2度采集一帧回波数据共180帧。采集模式包括反射模式和透射模式反射模式用于边界检测透射模式用于内部声速重建。在乳腺模型I中心放置5cm肿块上采用圆周扫描算法对每一角度将接收信号进行动态聚焦延迟叠加得到该角度的B型图像再对180个角度进行反投影重建获得横断面图像。实验结果显示肿块位置与真实偏差在1.2mm内轮廓清晰。系统单次扫描时间约15秒比国外压电环形阵列设备3分钟明显缩短。2自适应时间增益补偿的断层成像算法为解决超声信号在乳腺组织中随深度指数衰减的问题提出基于频谱互相关的时间增益补偿算法。算法首先对每个扫描位置的接收信号进行短时傅里叶变换估计中心频率下移量进而计算局部衰减系数单位dB/cm/MHz。根据衰减系数构建深度补偿曲线增益值随深度指数增加最大增益提高40dB。在Field II仿真中设置脂肪组织衰减0.5dB/cm/MHz腺体组织0.8dB/cm/MHz。对比未补偿图像补偿后信噪比提高12dB囊性区域对比度提升3倍。使用乳腺模型I实测补偿后图像PSNR提高34.6%从21.3dB到28.7dBRMSE降低49.3%。对5mm钙化点强反射体的检测灵敏度从补偿前的67%升至96%。3多视角三维成像与体数据融合重建将柱形扫描获得的多角度数据组织为三维体数据。每个扫描角度生成一个垂直切片对应线阵方向共180个垂直切片。采用基于体绘制的三维重建算法光线投射算法中设置不透明度传递函数高回声区域肿块分配高不透明度。同时结合圆周扫描重建的水平切片每间隔2mm一层形成交叉验证。在乳腺模型II中心2cm肿块加6个1cm浅表肿块中三维重建图像能清晰显示所有肿块的空间位置最小可分辨间隔2mm。体数据与病理切片对比体积测量误差平均为8.3%。对胸壁到乳头整体轮廓的重建表面光滑无断层伪影。使用GPU加速体绘制重建每帧耗时0.8秒可实现交互式旋转观察。import numpy as np from scipy.signal import hilbert, stft import pywt class PMUTLineArray: def __init__(self, n_elements128, pitch0.5e-3, fc3.5e6): self.M n_elements self.pitch pitch self.fc fc self.c 1540.0 # 声速 m/s def delay_and_sum(self, rf_data, tx_idx, rx_indices, focus_depth): # rf_data: (samples, channels) samples, ch rf_data.shape fs 40e6 d focus_depth delays [] for rx in rx_indices: dist np.sqrt(d**2 ((rx - tx_idx)*self.pitch)**2) delay_samples int(dist / self.c * fs) delays.append(delay_samples) output np.zeros(samples) for i, rx in enumerate(rx_indices): if delays[i] samples: output np.roll(rf_data[:, rx], delays[i]) return output / len(rx_indices) class AdaptiveTGCompensation: def __init__(self, window_size64, overlap0.5): self.win window_size self.overlap overlap def estimate_attenuation(self, rf_line, fs, depth_start_mm, depth_end_mm): # 使用频谱互相关估计衰减系数 start_samp int(depth_start_mm / 1000 * fs) end_samp int(depth_end_mm / 1000 * fs) segment rf_line[start_samp:end_samp] f, t, Zxx stft(segment, fs, npersegself.win, noverlapint(self.win*self.overlap)) # 中心频率偏移 center_freqs np.sum(f[:, None] * np.abs(Zxx), axis0) / (np.sum(np.abs(Zxx), axis0) 1e-6) slope (center_freqs[-1] - center_freqs[0]) / (depth_end_mm - depth_start_mm) atten -slope * 0.5 # dB/cm/MHz 简化 return max(0.2, min(1.5, atten)) def tgc_curve(self, depth_mm, atten_db_cm_mhz, fc_mhz): # 深度补偿增益 gain_db 2 * atten_db_cm_mhz * fc_mhz * (depth_mm / 10.0) gain_linear 10 ** (gain_db / 20.0) return np.clip(gain_linear, 1, 100) class VolumeRenderer: def __init__(self, volume_shape): self.vol np.zeros(volume_shape, dtypenp.float32) def ray_casting(self, eye_pos, view_dir, step_size0.5): # 光线投射体绘制简化 dims self.vol.shape output np.zeros((dims[0], dims[1])) for i in range(dims[0]): for j in range(dims[1]): ray np.array([i, j, 0]) intensity 0.0 alpha 0.0 for _ in range(dims[2]): if ray[2] dims[2]: break voxel self.vol[int(ray[0])%dims[0], int(ray[1])%dims[1], int(ray[2])] alpha_step 0.1 * voxel intensity voxel * (1 - alpha) * alpha_step alpha alpha_step if alpha 0.95: break ray step_size * np.array(view_dir) output[i,j] intensity return output if __name__ __main__: # 模拟PMUT线阵数据 pmut PMUTLineArray() dummy_rf np.random.randn(2000, 128) beamformed pmut.delay_and_sum(dummy_rf, tx_idx64, rx_indiceslist(range(128)), focus_depth30e-3) print(fBeamformed signal length: {len(beamformed)}) tgc AdaptiveTGCompensation() att tgc.estimate_attenuation(beamformed, fs40e6, depth_start_mm10, depth_end_mm50) print(fEstimated attenuation: {att:.3f} dB/cm/MHz) renderer VolumeRenderer((256,256,128)) # 模拟一个球状肿块 for x in range(256): for y in range(256): for z in range(128): if (x-128)**2 (y-128)**2 (z-64)**2 400: renderer.vol[x,y,z] 1.0 proj renderer.ray_casting([128,128,-200], [0,0,1]) print(fRendered projection shape: {proj.shape})
PMUT线阵柱形运动融合的乳腺超声CT系统设计及成像算法【附程序】
✨ 长期致力于乳腺癌、压电微机械超声换能器、柱形运动、超声CT、断层成像算法研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1PMUT线阵柱形扫描系统与圆周扫描算法设计一套由四个1×128 PMUT线阵垂直交叉90度安装的乳腺超声CT系统线阵长度13cm包围乳腺组织实现非接触柱面检测。每个PMUT单元中心频率3.5MHz带宽75%。通过步进电机带动整个阵列绕乳腺轴线旋转每旋转2度采集一帧回波数据共180帧。采集模式包括反射模式和透射模式反射模式用于边界检测透射模式用于内部声速重建。在乳腺模型I中心放置5cm肿块上采用圆周扫描算法对每一角度将接收信号进行动态聚焦延迟叠加得到该角度的B型图像再对180个角度进行反投影重建获得横断面图像。实验结果显示肿块位置与真实偏差在1.2mm内轮廓清晰。系统单次扫描时间约15秒比国外压电环形阵列设备3分钟明显缩短。2自适应时间增益补偿的断层成像算法为解决超声信号在乳腺组织中随深度指数衰减的问题提出基于频谱互相关的时间增益补偿算法。算法首先对每个扫描位置的接收信号进行短时傅里叶变换估计中心频率下移量进而计算局部衰减系数单位dB/cm/MHz。根据衰减系数构建深度补偿曲线增益值随深度指数增加最大增益提高40dB。在Field II仿真中设置脂肪组织衰减0.5dB/cm/MHz腺体组织0.8dB/cm/MHz。对比未补偿图像补偿后信噪比提高12dB囊性区域对比度提升3倍。使用乳腺模型I实测补偿后图像PSNR提高34.6%从21.3dB到28.7dBRMSE降低49.3%。对5mm钙化点强反射体的检测灵敏度从补偿前的67%升至96%。3多视角三维成像与体数据融合重建将柱形扫描获得的多角度数据组织为三维体数据。每个扫描角度生成一个垂直切片对应线阵方向共180个垂直切片。采用基于体绘制的三维重建算法光线投射算法中设置不透明度传递函数高回声区域肿块分配高不透明度。同时结合圆周扫描重建的水平切片每间隔2mm一层形成交叉验证。在乳腺模型II中心2cm肿块加6个1cm浅表肿块中三维重建图像能清晰显示所有肿块的空间位置最小可分辨间隔2mm。体数据与病理切片对比体积测量误差平均为8.3%。对胸壁到乳头整体轮廓的重建表面光滑无断层伪影。使用GPU加速体绘制重建每帧耗时0.8秒可实现交互式旋转观察。import numpy as np from scipy.signal import hilbert, stft import pywt class PMUTLineArray: def __init__(self, n_elements128, pitch0.5e-3, fc3.5e6): self.M n_elements self.pitch pitch self.fc fc self.c 1540.0 # 声速 m/s def delay_and_sum(self, rf_data, tx_idx, rx_indices, focus_depth): # rf_data: (samples, channels) samples, ch rf_data.shape fs 40e6 d focus_depth delays [] for rx in rx_indices: dist np.sqrt(d**2 ((rx - tx_idx)*self.pitch)**2) delay_samples int(dist / self.c * fs) delays.append(delay_samples) output np.zeros(samples) for i, rx in enumerate(rx_indices): if delays[i] samples: output np.roll(rf_data[:, rx], delays[i]) return output / len(rx_indices) class AdaptiveTGCompensation: def __init__(self, window_size64, overlap0.5): self.win window_size self.overlap overlap def estimate_attenuation(self, rf_line, fs, depth_start_mm, depth_end_mm): # 使用频谱互相关估计衰减系数 start_samp int(depth_start_mm / 1000 * fs) end_samp int(depth_end_mm / 1000 * fs) segment rf_line[start_samp:end_samp] f, t, Zxx stft(segment, fs, npersegself.win, noverlapint(self.win*self.overlap)) # 中心频率偏移 center_freqs np.sum(f[:, None] * np.abs(Zxx), axis0) / (np.sum(np.abs(Zxx), axis0) 1e-6) slope (center_freqs[-1] - center_freqs[0]) / (depth_end_mm - depth_start_mm) atten -slope * 0.5 # dB/cm/MHz 简化 return max(0.2, min(1.5, atten)) def tgc_curve(self, depth_mm, atten_db_cm_mhz, fc_mhz): # 深度补偿增益 gain_db 2 * atten_db_cm_mhz * fc_mhz * (depth_mm / 10.0) gain_linear 10 ** (gain_db / 20.0) return np.clip(gain_linear, 1, 100) class VolumeRenderer: def __init__(self, volume_shape): self.vol np.zeros(volume_shape, dtypenp.float32) def ray_casting(self, eye_pos, view_dir, step_size0.5): # 光线投射体绘制简化 dims self.vol.shape output np.zeros((dims[0], dims[1])) for i in range(dims[0]): for j in range(dims[1]): ray np.array([i, j, 0]) intensity 0.0 alpha 0.0 for _ in range(dims[2]): if ray[2] dims[2]: break voxel self.vol[int(ray[0])%dims[0], int(ray[1])%dims[1], int(ray[2])] alpha_step 0.1 * voxel intensity voxel * (1 - alpha) * alpha_step alpha alpha_step if alpha 0.95: break ray step_size * np.array(view_dir) output[i,j] intensity return output if __name__ __main__: # 模拟PMUT线阵数据 pmut PMUTLineArray() dummy_rf np.random.randn(2000, 128) beamformed pmut.delay_and_sum(dummy_rf, tx_idx64, rx_indiceslist(range(128)), focus_depth30e-3) print(fBeamformed signal length: {len(beamformed)}) tgc AdaptiveTGCompensation() att tgc.estimate_attenuation(beamformed, fs40e6, depth_start_mm10, depth_end_mm50) print(fEstimated attenuation: {att:.3f} dB/cm/MHz) renderer VolumeRenderer((256,256,128)) # 模拟一个球状肿块 for x in range(256): for y in range(256): for z in range(128): if (x-128)**2 (y-128)**2 (z-64)**2 400: renderer.vol[x,y,z] 1.0 proj renderer.ray_casting([128,128,-200], [0,0,1]) print(fRendered projection shape: {proj.shape})
