用于对声学杂波和随机噪声的滤波的方法和系统与流程

相关申请

本申请要求于2017年9月25日提交的美国临时申请no.62/562,544的权益和优先权，通过引用将其并入本文中。

本申请涉及自回归移动平均(arma)空间滤波。具体而言，本申请涉及对超声通道数据的arma空间滤波。

背景技术：

在医学超声成像中，由于归因于离轴散射的声学杂波、归因于近场解剖结构的混响杂波以及随机电子噪声，图像对比度经常受损。在文献中已经提出了若干技术来解决这些问题。可以将这些技术大致分为两个主要的分组：1)基于相干性的自适应加权，以及2)自适应波束成形。

诸如相干因子(cf)、广义相干因子(gcf)、相位相干因子(pcf)和短滞后空间相干性(slsc)的自适应加权技术全部都需要访问每通道数据以计算待与图像相乘的加权掩码。利用基于切趾的自适应加权方法，例如具有互相关的双重切趾(dax)及其变型，可以在不必访问每通道数据的情况下计算加权掩码，因此这些方法的硬件实施方式可能稍微更容易。然而，所有自适应加权方法都通过利用加权掩码对常规图像进行加权来操作。这可能导致诸如图像亮度降低、解剖细节移除以及斑点变化增加的问题。

诸如最小方差(mv)波束成形的自适应波束成形技术通常涉及从通道数据自适应地计算复数切趾值，使得仅主瓣信号被通过而离轴信号被拒绝。然而，mv波束成形主要是为了提高空间分辨率而开发的。当前，mv波束成形不能有效地抑制通常与主瓣信号相关的混响杂波。在许多情况下，混响杂波是体内图像质量退化的主要源。此外，mv波束成形对相位差、元件方向性和信噪比高度敏感。已知mv波束成形会在斑点中产生伪影。

技术实现要素：

本文中描述的系统、方法和/或装置可以利用基于自回归移动平均(arma)模型的空间滤波技术来改善图像对比度。通常，该技术从通道数据(arma先前未知)自适应地计算空间预测误差滤波器(pef)，然后估计并减去包含来自离轴杂波、混响杂波和/或随机噪声的贡献的加性噪声序列。该技术可以直接从超声通道数据中滤除导致降低的图像对比度的不期望信号。为了滤除不期望的信号，可以将噪声视为随机创新序列而不是加性过程。

对来自通道数据的射频(rf)信号的arma建模导致特征值问题。可以根据对噪声通道数据的协方差矩阵的特征分解来计算预测误差滤波器(pef)。pef可以应用于噪声通道数据以估计噪声序列(例如，没有由rf信号建模的任何数据)。可以从原始通道数据减去所估计的噪声序列。剩余的信号可以是“干净”的数据，其可以用于生成超声图像，与原始通道数据相比，超声图像可以具有改善的对比度。所描述的arma过程可以在得到的干净的数据上重复一次或多次，这可以进一步改善得到的图像。

根据本公开的示例性实施例，一种方法可以包括：采集超声通道数据；利用自回归移动平均模型来生成预测误差滤波器；利用所述预测误差滤波器来估计所述超声通道数据中的噪声；以及从所述超声通道数据减去所述噪声以获得干净的通道数据。利用所述自回归移动平均模型来估计所述预测误差滤波器可以包括：生成所述预测误差滤波器的多阶模型；将所述多阶模型和所述超声通道数据转换为矩阵形式；求解针对所述预测误差滤波器的特征值问题，其中，所述特征值问题包括噪声序列的相关矩阵乘以所述预测误差矩阵等于噪声方差乘以所述预测误差矩阵；其中，针对所述预测误差滤波器的所述特征值问题的解是与所述噪声序列的所述相关矩阵的最小特征值相对应的特征向量。估计所述超声通道数据中的所述噪声可以包括对所述预测误差滤波器和所述噪声序列进行去卷积。

根据本公开的示例性实施例，一种超声成像系统可以包括：超声换能器阵列，其被配置为发送和接收超声信号；可操作地耦合到所述超声换能器的至少一个通道，其被配置为至少部分地基于接收到的超声信号来发送通道数据；以及信号处理器，其可操作地耦合到所述至少一个通道，其中，所述信号处理器可以被配置为：从所述至少一个通道采集所述通道数据；利用自回归移动平均模型来生成预测误差滤波器；利用所述预测误差滤波器来估计所述通道数据中的噪声；并且从所述通道数据减去所述噪声以获得干净的通道数据。

根据本公开的另一示例性实施例，一种方法可以包括：采集波束求和数据，所述波束求和数据响应于多个方向上的多个超声发射事件；利用自回归移动平均模型来生成预测误差滤波器；利用所述预测误差滤波器来估计所述波束求和数据中的噪声；以及从所述波束求和数据减去所述噪声以生成干净的数据。

附图说明

图1是根据本公开的原理的超声成像系统的框图。

图2是根据本公开的原理的方法的流程图。

图3示出了通过典型方法生成的和通过根据本公开的原理的方法生成的模拟体模的示例性图像。

图4示出了图3中示出的图像的通道数据。

图5示出了通过典型方法生成的和通过根据本公开的原理的方法生成的患者心脏的示例性图像。

图6示出了通过典型方法生成的和通过根据本公开的原理的方法生成的模拟体模的示例性图像。

图7示出了通过典型方法生成的和通过根据本公开的原理的方法生成的患者心脏的示例性图像。

具体实施方式

示例性实施例的以下描述本质上仅是示例性的，绝不旨在限制本发明或其应用或用途。在以下对本系统和方法的实施例的详细描述中，参考了构成其一部分的附图，并且在附图中通过图示的方式示出了可以实践所描述的系统和方法的特定实施例。对这些实施例进行了足够详细的描述，以使本领域技术人员能够实践当前公开的系统和方法，并且应当理解，可以利用其他实施例，并且可以在不背离本系统的精神和范围的情况下进行结构和逻辑上的改变。

因此，下面的详细描述不应被认为是限制性的，并且本系统的范围仅由所附权利要求限定。本文附图中附图标记的(一个或多个)前导数位通常对应于附图编号，除了在多个附图中出现的相同部件由相同附图标记标识。此外，出于清楚的目的，当某些特征对于本领域技术人员而言是显而易见时，将不讨论它们的详细描述，以免模糊本系统的描述。

近来，在医学超声中引入了基于自回归(ar)模型的空间滤波技术。j.shin和l.huang在transactionsonmedicalimaging，2016的“spatialpredictionfilteringofacousticclutterandrandomnoiseinmedicalultrasoundimaging”中详细描述了ar模型，将其通过引用整体并入本文中。然而，由shin和huang描述的基于ar模型的滤波技术将自回归移动平均(arma)问题转换为ar问题并应用线性预测。ar技术最小化预测误差能量，从而找到对其中预测误差滤波器(pef)和噪声两者都未知的问题的解。因此，shin和huang的技术可能会导致不准确的信号建模，并且因此导致欠佳的性能。

根据本公开的原理，为了克服ar技术的至少一些缺点，应用了基于arma模型的空间滤波技术，其可以抑制随机噪声、声学杂波和/或混响杂波以增强图像对比度。该技术根据超声通道数据来自适应地计算空间pef，然后估计和减去包含来自离轴杂波、混响杂波和/或随机噪声的贡献的估计的噪声序列。

本文中描述的arma滤波技术(或简称为arma方法)与本公开的背景技术中描述的自适应加权和自适应波束成形技术不同。例如，arma滤波技术不使用加权掩码对原始图像进行逐像素加权，并且arma滤波技术也不自适应地计算复杂的切趾值以形成图像。而是，arma滤波技术直接从超声通道数据滤除可能导致图像对比度降低的不期望信号。

简要地，本文中描述的arma滤波技术允许从给定方向接收到的信号可以借助于arma模型被适当地表示，该信号可以显现为浸入在时间-空间(t-x)域(例如，孔径域)中的噪声中的“线性事件”。在本文中描述的方法中，将噪声视为随机创新序列而不是加性过程。

超声通道射频(rf)信号的arma建模可能会导致特征值问题，其中可以根据原始噪声通道数据的协方差矩阵的特征分解来计算pef。可以将计算出的pef应用于噪声通道数据，以估计根据其估计加性噪声序列的有色(例如，非白噪声)噪声序列。加性噪声序列可以包括未由arma模型建模的所有信号，例如，随机噪声、离轴杂波和/或混响杂波。可以从原始噪声通道数据减去所估计的加性噪声序列，以产生“干净”的数据。该干净的数据可以用于形成超声图像。干净的数据可以用作迭代arma模型的输入。也就是说，所描述的arma滤波技术可以被执行多次以产生干净的数据。

根据本公开的原理的一种能够执行arma滤波技术的超声成像系统可以包括：超声换能器阵列，其被配置为发送和接收超声信号；以及可操作地耦合到所述超声换能器的至少一个通道，其被配置为至少部分地基于接收到的超声信号来发送通道数据。所述超声成像系统还可以包括可操作地耦合到所述通道的信号处理器。所述信号处理器可以被配置为从所述通道采集至少一个通道数据，利用arma模型来生成pef，利用所述pef来估计所述通道数据中的噪声，并且从超声数据减去所述噪声以获得干净的通道数据。

参考图1，以框图形式示出了根据本公开的原理构造的超声成像系统10。在图1的超声诊断成像系统中，超声探头12包括用于发送超声波并接收回波信息的换能器阵列14。各种换能器阵列在本领域中是众所周知的，例如，线性阵列、凸形阵列或相控阵列。换能器阵列14例如可以包括换能器元件的二维阵列(如图所示)，其能够在仰角和方位角维度两者上进行扫描以进行2d和/或3d成像。在一些实施例中，换能器阵列14的换能器元件可以经由通道15耦合到探头12中的微波束成形器16。可以为换能器阵列14的每个换能器元件或为换能器元件的每个贴片提供单独的通道。然而，为了附图的清楚性，在图1中针对通道15仅示出了一条线。微波束成形器16可以控制由阵列中的换能器元件对信号的发送和接收。在该示例中，微波束成形器16通过探头线缆耦合到发送/接收(t/r)开关18，该开关在发送与接收之间切换并保护主波束成形器22免受高能发送信号的影响。在一些实施例中，t/r开关18和系统中的其他元件可以包含于换能器探头中，而不是在单独的超声系统基座中。在微波束成形器16的控制下，来自换能器阵列14的超声波束的传输由耦合到t/r开关18和波束成形器22的传输控制器20引导，该传输控制器接收来自用户接口或控制面板24的用户操作的输入。由传输控制器20控制的功能之一是波束转向的方向。波束可以从(垂直于)换能器阵列笔直向前转向，或者以不同角度转向以获得更宽的视野。由微波束成形器16产生的部分波束成形的信号耦合到主波束成形器22，在那里，来自换能器元件的个体贴片的部分波束成形的信号被组合成完全波束成形的信号。

在一些实施例中，省略微波束成形器16。传输控制器20可以直接通过t/r开关18控制换能器阵列14。来自换能器阵列14元件的数据可以经由通道15被发送到主波束成形器22。

波束成形的信号被耦合到信号处理器26。信号处理器26可以以各种方式处理接收到的回波信号，例如带通滤波、抽取、i和q分量分离以及谐波信号分离。信号处理器26还可以执行额外的信号增强，例如斑点减少、信号合成和噪声消除。信号处理器26可以以硬件(例如，专用集成电路(asic))、软件或其组合来实现。

如图1所示，在一些实施例中，信号处理器26可以在由波束成形器22进行波束成形之前从通道15接收超声信号。例如，信号处理器26可以将上述的arma滤波技术应用于来自通道15的信号(例如，通道数据)。在一些实施例中，波束成形器22可以向每个通道15提供适当的延迟和/或几何对齐，并且可以在对通道信号的求和之前由信号处理器26执行信号处理。在一些实施例中，信号处理器26可以对通道数据执行arma滤波技术，并从波束成形器22接收命令以对通道信号求和。在将信号提供给b模式处理器28之前，信号处理器26可以应用任何期望的和/或要求的求和。

在一些实施例中，如图1中的虚线的框22a所示，波束成形器22可以被实施为两个单元，一个单元用于提供适当的延迟和/或几何对齐，并且在必要时可以包括另一单元用于提供对通道数据的求和和/或其他组合。在一些实施例中，微波束成形器16可以向通道15提供延迟和/或几何对齐，并且波束成形器22可以被实施在信号处理器26之后以提供对通道数据的求和和/或其他组合。在一些实施例中，如图1中的虚线的框26a所示，信号处理器26可以被实施为多个单元。例如，可以在波束成形器22之前实施第一信号处理器以直接对通道数据执行信号处理，并且第二信号处理器可以被实施在波束成形器22之后以进行额外处理(例如，带通滤波)。

备选地，在平面波成像(pwi)或发散波成像(dwi)的背景中，可以在发射波束空间域而不是在通道域中实施arma滤波技术。在pwi/dwi中，由换能器阵列14在特定方向上发射平面波或发散波形式的宽发射波束，并且可以使用经由通过波束成形器22和/或微波束成形器16执行的延时-求和(das)波束成形方法接收到的每通道数据来生成所有扫描线(例如，波束求和信号)。这可以导致通过超声成像系统10采集低质量的超声图像，但是该图像可以利用单次发射事件来采集。在pwi/dwi中，可以针对多个发射方向重复这样的过程，并且可以将从每个发射方向获得的波束求和信号被相干地合成以产生高质量的超声图像。在一些预先存在的超声成像系统中，该版本的arma滤波技术可以更易于实施。

继续对图1的元件的描述，处理后的信号被耦合到b模式处理器28，其可以采用幅度检测来对身体中的结构进行成像。由b模式处理器产生的信号被耦合到扫描转换器30和多平面重格式化器32。扫描转换器30将回波信号布置在它们以期望的图像格式被接收的空间关系中。例如，扫描转换器30可以将回波信号布置成二维(2d)扇形格式或金字塔形三维(3d)图像。如美国专利no.6,433,896(detmer)所述，多平面重格式化器32可以将从身体的体积区域中的公共平面中的点接收到的回波转换为该平面的超声图像。体积绘制器34将3d数据集的回波信号转换为投影的3d图像，如从给定参考点观察到的，例如，如美国专利no.6,530,885(entrekin等人)中所述。2d或3d图像从扫描转换器30、多平面重格式化器32和体积绘制器34耦合到图像处理器36，以进一步增强、缓冲和临时存储以显示在图像显示器38上。图形处理器40可以生成图形叠加以与超声图像一起显示。这些图形叠加可以包含例如标准识别信息，如患者姓名、图像的日期和时间、成像参数等。为了这些目的，图形处理器从用户接口24接收输入，例如键入的患者姓名。用户接口还可以耦合到多平面重格式化器32，以选择和控制多幅多平面重格式化(mpr)图像的显示。

返回到arma滤波技术，根据本公开的原理的方法可以包括如上所述的采集超声通道数据，利用自回归移动平均模型来生成预测误差滤波器，利用该预测误差滤波器来估计超声通道数据中的噪声，以及从超声通道数据减去噪声而获得干净的通道数据。

利用自回归移动平均模型来估计预测误差滤波器可以包括：生成预测误差滤波器的多阶模型；将多阶模型和超声通道数据转换为矩阵形式；以及求解针对预测误差滤波器的特征值问题。如下面更详细地描述的，特征值问题可以包括噪声序列的相关矩阵乘以预测误差矩阵等于噪声方差乘以预测误差矩阵，并且针对预测误差滤波器的特征值问题的解是与噪声序列的相关矩阵的最小特征值相对应的特征向量。在已经生成了pef之后，估计超声通道数据中的噪声可以包括对pef和噪声序列进行去卷积。

以更多的数学细节扩展了上面对arma滤波技术的简要说明，线性(或线性相控)阵列(例如，图1的换能器阵列14)在每通道数据域(或t-x域)中具有间距g和斜率为ψ的线性事件。针对该阵列的第(x+1)通道信号st(x+1)可以被描述为：

st(x+1)＝st-xgψ(1)公式(1)

其中，x的最大值基于通道的数量。

将傅立叶变换应用于公式(1)的两边，获得以下公式：

sf(x+1)＝sf(1)e^-i2πfxgψ公式(2)

其中，f是时间频率，e是欧拉数。公式(1)中示出的时间-空间(t-x)域中的时移变为公式(2)中示出的频率-空间(f-x)域中的相移。对于换能器的带宽上的每个时间频率f0，公式(2)可以被表示为自回归(ar)模型：

sf0(x+1)＝af0(1)sf0(x)公式(3)

对于阶数为4(例如p＝4)的ar模型，该模型变为：

sf0(x+1)＝af0(1)sf0(x)+af0(2)sf0(x-1)+…+af0(p)sf0(x+1-p)公式(4)

其中，p表示滤波器系数的数量，并确定主要的空间频率分量。p的较低值(例如，p＝1)导致更激进的滤波器。p的较高值(例如p＝6)导致较不激进的滤波器。太激进的滤波器可能导致最终图像中的伪影，而较不激进的滤波器可能准入进入太多噪声以至于无法改善图像对比度。发明人发现，可以至少部分地基于以不同的p值多次应用该方法并选择提供最佳图像质量的p值，凭经验选择p的值。对于一些医学超声成像应用，p的值等于或约为4可以提供具有改善的对比度和最小的滤波器伪影的图像。

返回到arma滤波技术，预测误差形式的公式(4)为：

其gf0(0)＝1且gf0(k)＝-af0(k)，k＝1，...，p。

如果添加了噪声，则公式(5)变为：

yf0(x)＝sf0(x)+w(x)公式(6)

其中，w(x)是随机白噪声序列，而yf0(x)是时间频率f0的噪声序列。在公式(5)中替换sf0(x-k+1)＝yf0(x-k+1)-w(x-k+1)，得到：

其中e是误差，是非白创新噪声序列(即，有色噪声)。省略下标f0的矩阵形式的公式(7)为：

yg＝wg＝e公式(8)

其中y是噪声序列yf0(x)的卷积矩阵，w是噪声序列wf0(x)的卷积矩阵，g是预测误差滤波器(pef)的矩阵形式，并且e是误差矩阵。

如果假定在空间上与信号不相关的零均值白噪声，则可以通过将公式8变换为以下形式为av＝λv的特征值问题来估计pef、g：

y^hyg＝y^hwg公式(9)

ryg＝σw²g公式(10)

其中，h是共轭转置算子，ry是噪声序列的相关矩阵(例如ry＝y^hy)，并且σw²是噪声的方差。

期望的pef是对应于ry的最小特征值的特征向量。因此，可以估计pef、g。最小特征值是对噪声方差σw²的估计。可以通过将pef与非白噪声创新项进行去卷积来获得估计值即有色噪声序列的归一化：

gy＝gw＝e公式(11)

其中，g是pefg的卷积矩阵，y是噪声序列，并且w是加性噪声序列。

将约束最小化问题用公式表示为：

公式12经受以下条件：

w^hw＝σw²公式(13)

在上述最小化问题中，的解即加性噪声序列的归一化为：

其中，i是单位矩阵，μ是对角加载因子，其控制给予单位矩阵的权重。根据公式14，然后可以将所估计的噪声序列从噪声序列y减去以得到干净的数据

注意，当μ＝0且时，以上公式得出即此外，当μ＞＞0时，因此，应为μ选择合适的值。与公式4中的p相似，可以凭经验选择μ。对于一些医学超声成像应用，可以将等于或大约0.01的值用于μ。在本公开提供的示例中，使用μ＝0.01。

对于f0，求解上述特征值问题。对于换能器阵列的带宽上的每个时间频率和/或时间频率箱，求解相同的问题。一旦针对每个时间频率和/或频率箱获得了“干净”的信号就可以应用傅立叶逆变换以将干净的信号从f-x域变换到t-x域。在应用傅立叶逆变换之前，如果期望，则可以将针对每个时间频率的反馈到s的公式3中，从而得到“更干净”的信号该过程可以被重复多于一次(例如2次、3次、5次)。

到目前为止描述的arma滤波技术的步骤被应用于来自预定大小(例如，超声扫描的单个深度)的轴向段的数据。对超声扫描的所有期望深度重复这些步骤。

图2是根据本公开的原理的方法的流程图200。流程图200总结了以上数学描述的arma滤波技术的步骤。在超声扫描的单个深度(例如，轴向段)处执行流程图200中图示的方法。可以针对超声扫描的所有深度和/或期望深度重复流程图200的整个方法(除了步骤235外，如下所述)。arma滤波技术可以至少部分地由信号处理器执行，例如，图1中的信号处理器26。在步骤205处，采集超声通道数据。如参考图1所讨论的，可以在将延迟和/或几何对齐已经被应用于通道数据之后但在信号求和之前，由信号处理器采集通道数据。在步骤210处，将通道数据从时间-空间(t-x)域转换到频域(f-x)(例如，傅立叶变换)。在步骤215处，生成预测误差滤波器(pef)。可以通过以上参考公式5-9描述的方法来生成pef。一旦已经生成了pef，就可以在步骤220处估计通道数据中的噪声。可以通过以上参考公式10-13描述的方法来估计噪声。然后在步骤225处，可以从通道数据减去噪声以获得“干净”的数据。

在单个时间频率和/或时间频率箱上执行步骤210-225。因此，如方框201所示，针对每个时间频率和/或时间频率箱重复步骤210-225。在针对所有时间频率和/或时间频率箱已经执行了步骤210-225之后，在步骤230处将“干净”的数据从f-x域转换回到t-x域(例如，傅立叶逆变换)。

一旦针对所有深度已经完成方法200，在期望时就可以通过将来自步骤230的“干净”的通道数据代替来自步骤205的原始采集的通道数据，来针对所有深度重复方法200的步骤205-230。然后针对“干净”的通道数据的每个深度重复方法200。然后可以将得到的“更干净”的通道数据反馈回到步骤235中以进行另一次迭代，依此类推。迭代次数可以由用户(例如，经由诸如图1中的用户接口24的用户接口)设置和/或由超声成像系统(例如，图1中的超声成像系统10)确定。在一些实施例中，超声成像系统可以基于期望的对比度水平、成像应用、信噪比和/或其他因素(例如，所使用的探头类型、t-x或f-xarma滤波技术、默认设置)来确定迭代次数。

以上公式和图2描述了从时间-空间(t-x)域到频率-空间(f-x)域的变换，然后又返回。但是，能够将arma滤波技术直接应用于孔径或t-x域中，而不必将通道数据变换到f-x域。例如，可以省略图2的流程图200中示出的方法的步骤210和230。在一些应用中，这可以提高方法的效率并减少计算负担。可以将arma滤波技术的t-x域方法逐深度应用于孔径-域分析信号。这可以允许减少计算负担，因为不需要在个体时间频率处执行计算。arma滤波技术的t-x域方法可能会导致与arma滤波技术的f-x域方法相似或稍微较不准确的结果，因为当前的arma建模框架是基于窄带假设制定的，并细分为f-x域方法中的每个时间频率和/或频率箱可产生对pef和噪声序列的更准确估计。然而，在一些应用中，t-x方法的计算时间的增益可能会优先于f-x方法的更准确结果。类似于f-x方法，在期望最大化图像对比度增强时，还可以迭代地应用t-x方法。

如先前参考图1所讨论的，在图2中总结的所提出的arma滤波技术可以用平面波成像(pwi)或发散波成像(dwi)应用来实施。arma滤波技术可以直接应用于从不同方向获得的波束求和信号。例如，在pwi/dwi中，数据集可以存储在尺寸为[轴向样本数量×扫描线数量×pw/dw发射数量]的3d矩阵中，这与聚焦发射成像方法的情况下的[轴向样本数量×扫描线数量×通道数量]形成对照。代替对每条扫描线在通道域中的所有深度处应用arma滤波技术，可以对pwi/dwi中的每条扫描线在pw/dw发射域中的所有深度处应用该技术。由于在一些系统中对每通道数据的访问可能受到限制，因此这可能会增加在一些现有超声系统上实施的容易性。

图3-7示出了根据本公开的原理的通过常规技术和arma滤波技术生成的示例性图像。由arma滤波技术生成的图像可以被提供在超声成像系统的显示器(例如，图1中的显示器38)上。图像也可以存储于计算机可读介质和/或被提供给另一显示器(例如，用于检查后审查的个人计算机)。下面描述的示例是说明性的，并且不应解释为将arma滤波技术的实施或应用限制于本文中公开的示例。

图3示出了包含40mm直径的无回声囊肿病变的模拟体模的图像300。图像是针对64元素p4-2相控阵列进行模拟的。所有图像均在60db动态范围上示出。使用标准延迟和求和(das)波束成形生成图像305。根据本公开的原理，使用频率-空间域(f-x)arma滤波技术生成图像310。f-xarma滤波技术被执行一次。也就是说，对于得到的干净的数据，不重复执行该过程。在没有随机噪声的情况下采集图像305和310两者。比较图像305和310，f-xarma滤波抑制离轴杂波并产生增强的图像对比度。使用标准das波束成形生成图像315，并使用f-xarma生成图像320。在图像315和320中，在通道数据中存在随机噪声。比较图像315与320，f-xarma滤波抑制随机噪声和离轴杂波两者，并产生增强的图像对比度。

图4示出了从来自图3中示出的图像300的中心扫描线(例如，0°转向角)取得的后处理通道rf数据400。图像405是图像305的通道数据；图像410是图像310的通道数据；图像415是图像315的通道数据；以及图像420是图像320的通道数据。每个其他通道信号都会被显示以实现更清晰的可视化。从样本数量1000到2100的轴向样本对应于图像300中示出的无回声囊肿病变。在没有随机噪声的情况下，使用das生成的图像405显示小幅度离轴杂波信号。对比之下，图像410示出了f-xarma滤波抑制了这些离轴杂波信号中的大多数，同时将信号中的大多数保留在斑点区域(例如，在1000～2100样本区域外部)中。在存在随机噪声的情况下，通过比较das图像415与f-xarma图像420，f-xarma滤波提供对来自通道rf数据的随机噪声和声学杂波贡献两者的更好抑制。

图5示出了心脏的心尖4腔观的图像500。所有图像均在60db动态范围内示出。图像505和510是从“容易”的患者采集的。图像515和520是从“困难”的患者采集的。容易的患者具有比困难的患者更少噪声的图像。例如，通常，难以从超重患者获得清晰的图像。也就是说，在一些情况下，容易的患者可能是体重正常的患者，而困难的患者可能是超重的患者。根据本公开的原理，使用das生成图像505和515，并且使用f-xarma滤波技术生成图像510和510。f-xarma滤波技术被执行一次。也就是说，对于得到的干净的数据，不重复执行该过程。在两种患者中，由于存在离轴杂波和混响杂波，das图像505和515中的图像对比度显著降低。相比之下，fx-arma图像510和520示出了大量的图像对比度增强。

如图3-5中所示出的，与诸如das的典型图像处理技术相比，使用arma滤波技术对超声通道数据进行滤波以采集干净的数据可以提供增强的图像对比度。

图6示出了包含40mm直径的无回声囊肿病变的模拟体模的图像600。该图像是针对64元素p4-2相控阵列进行模拟的。所有图像均在60db动态范围上示出。使用标准延迟和求和(das)波束成形生成图像605。根据本公开的原理，使用时间-空间域(t-x)arma滤波技术生成图像610。t-xarma滤波技术被执行一次。也就是说，对于得到的干净的数据，不重复执行该过程。在不存在随机噪声的情况下采集图像605和610两者。比较图像605与610，t-xarma滤波抑制离轴杂波并产生增强的图像对比度。使用标准das波束成形生成图像615，并使用t-xarma生成图像620。在图像615和620中，在通道数据中存在随机噪声。比较图像615与620，t-xarma滤波抑制随机噪声和离轴杂波两者，并增强图像对比度。虽然t-xarma图像610和620与图3中示出的f-xarma图像310和320相比具有稍微更低的对比度，但是，与das图像相比，t-xarma图像仍示出改善的对比度。因此，假设t-xarma图像与f-xarma图像相比的更快计算时间，t-xarma滤波技术在一些应用中可以是可接受的和/或优选的。

图7示出了心脏的心尖4腔观的图像700。所有图像均在60db动态范围上示出。图像705、710和715是从“容易”的患者采集的。图像720、725和730是从“困难”的患者采集的。使用das波束成形生成图像705和720。图像710和725是通过应用t-xarma滤波技术的一次迭代生成的。图像715和730是通过应用t-xarma滤波技术的五次迭代生成的。也就是说，来自第一次迭代的t-xarma滤波技术的“干净”的数据被反馈到该技术中四次。在针对容易和困难的患者两者采集的图像中，由于存在离轴杂波和混响杂波，das图像705和720中的图像对比度明显降低。然而，对于单次迭代和多次迭代两者的t-xarma滤波，观察到大量的图像对比度增强。如图像715和730中示出的，执行t-xarma滤波技术的多次迭代可以帮助进一步抑制在t-xarma滤波技术的单次迭代之后剩余的杂波信号。

如图6和图7中示出的，即使当使用t-xarma方法时，与诸如das的典型图像处理技术相比，使用arma滤波技术对超声通道数据进行滤波以采集干净的数据也可以提供增强的图像对比度。

根据本公开的原理，如本文中描述的arma滤波技术(例如，arma方法)可以应用于超声通道数据以抑制随机噪声、声学杂波和/或混响杂波，这可以增强图像对比度。这可以改善临床医生在图像中定位、识别和/或测量解剖特征的能力。改善的对比度可以改善临床医生基于超声图像做出诊断的能力。

在各种实施例中，其中使用诸如基于计算机的系统或可编程逻辑的可编程设备来实施部件、系统和/或方法，应当认识的，上述系统和方法可以使用各种已知的或以后开发的编程语言(例如“c”、“c++”、“fortran”、“pascal”、“vhdl”等)中的任何一种来实施。因此，可以准备各种存储介质，例如磁性计算机磁盘、光盘、电子存储器等，其可以包含可以指导诸如计算机的设备以实施上述系统和/或方法的信息。一旦适当的设备可以访问包含在存储介质上的信息和程序，存储介质就可以将信息和程序提供给该设备，从而使该设备能够执行本文中描述的系统和/或方法的功能。例如，如果将包含适当材料(例如源文件、目标文件、可执行文件等)的计算机磁盘提供给计算机，则计算机可以接收信息，对其自身适当地配置并执行在上述图和流程图中概述的各种系统和方法的功能以实施各种功能。也就是说，计算机可以从磁盘接收与上述系统和/或方法的不同元件有关的信息的各个部分，实施个体系统和/或方法，并协调上述个体系统和/或方法的功能。

鉴于本公开，应注意的是，本文描述的各种方法和设备可以以硬件、软件和固件来实施。此外，各种方法和参数仅作为示例被包括，而没有任何限制性意义。鉴于本公开，本领域普通技术人员可以在确定其自己的技术和影响这些技术的所需设备的情况下实施本教导，同时仍保留在本发明的范围内。本文描述的一个或多个处理器的功能可以被合并到更少数量或单个处理单元(例如，cpu)中，并且可以使用专用集成电路(asic)或响应于可执行指令来执行本文描述的功能而被编程的通用处理电路来实现。

虽然已经参考超声成像系统描述了本系统，但是本系统可以扩展到其他成像技术。另外，本系统可用于获得和/或记录涉及但不限于肾、睾丸、前列腺、乳房、卵巢、子宫、甲状腺、肝、肺、肌肉骨骼、脾、神经、心脏、动脉和血管系统的图像信息，以及与超声引导的干预和可以由实时医学成像引导的其他干预有关的其他成像应用。此外，本系统还可以包括可以与具有或没有实时成像组件的非超声成像系统一起使用的一个或多个元件，使得它们可以提供本系统的特征和优点。

此外，本方法、系统和装置可以应用于现有的成像系统，例如超声成像系统。合适的超声成像系统可以包括可以例如支持可以适合于小部分成像的常规的宽带线性阵列换能器的超声系统。

对于本领域技术人员而言，在研究了本公开之后，本发明的某些额外的优点和特征可以是显而易见的，或者可以是采用本发明的新颖系统和方法的人们所经历的，其主要目的是通过超声成像系统减少声学杂波和随机噪声，并且提供其操作方法。本系统和方法的另一优点是，常规的医学成像系统可以容易地升级以合并本系统、设备和方法的特征和优点。

当然，应当认识到，根据本系统、设备和方法，以上实施例或过程中的任何一个可以与一个或多个其他实施例和/或过程组合，或者可以被分离和/或执行在分离的设备或设备部分之中。

最后，以上讨论旨在仅仅说明本系统，而不应解释为将所附权利要求限制于任何特定实施例或一组实施例。因此，虽然已经具体参考示例性实施例对本系统进行了详细描述，但是还应当理解，本领域的普通技术人员可以设计出许多修改和备选实施例，而不背离后续权利要求中阐述的本系统的更广泛和预期的精神和范围。因此，说明书和附图应以说明性方式看待，并且不旨在限制所附权利要求的范围。