超声成像算法部分总结
经典超声成像算法（以10阵元为例）
| 特性 | DAS (延时叠加) | SA (合成孔径) | TFM (全聚焦方法) |
|---|---|---|---|
| 核心定义 | 最经典的基础波束形成算法。通过物理延迟使各阵元发射/接收的声波在特定焦点同相叠加，形成扫描线。 | 一类利用多次发射数据“合成”大孔径的方法论。其核心思想是分次发射、全孔径接收、后期合成，旨在提升分辨率。 | SA方法论的终极形态。它基于全矩阵捕获（FMC） 数据，对成像区域内每一个像素点，都使用所有可能的发射阵元和接收阵元组合进行双向聚焦计算。 |
| 发射模式 | 多次聚焦发射。例如，为生成一幅10条扫描线的图像，需进行10次发射。每次发射，使用部分或全部阵元（如阵元1-5）施加特定延时，物理地形成一道聚焦于特定方向的声束。 | 多次扩散波发射。进行N次发射（N通常等于或少于阵元数）。每次发射使用一个单阵元或一个小子孔径（如2个阵元），发射球面波或弱聚焦波，以覆盖整个成像区域。 | 数据采集模式与基础SA相同，即进行FMC采集：依次用每一个阵元（共10次） 作为发射源，发射球面波。 |
| 接收模式 | 同步接收与实时聚焦。每次发射后，通常由参与发射的阵元或全部阵元接收回波，并实时进行动态接收聚焦，直接生成一条扫描线。 | 全孔径接收与数据存储。每次发射后，所有10个阵元都接收回波，并将原始的、未聚焦的射频数据完整存储下来。不立即成像。 | 与SA发射模式完全一致。每次单阵元发射后，所有10个阵元都接收回波，并完整存储。最终获得一个10×10的“全矩阵”数据。 |
| 数据处理与成像 | 发射-接收-成像的流水线。一次发射事件直接对应一条扫描线，所有扫描线组成最终图像。 | 先采集，后处理。在所有发射事件完成后，利用存储的多次发射数据，通过算法后期合成出大孔径的聚焦效果，再生成一整幅图像。 | 后处理，像素级最优聚焦。在获得完整的FMC数据后，对图像中每个像素点P，执行以下计算：I(P) = Σ_i Σ_j H(i, j, t_ij)其中， i和j从1遍历到10，t_ij是从发射阵元i到点P再到接收阵元j的总声程时间 |
但是在有的地方，也会将SA合成孔径称为超声成像算法，而DAS、MV等自适应波束合成方法称为图像重建算法
根据发射和接收的不同孔径模式可分为多阵元合成孔径聚焦M-SAF，合成接收/发射孔径SRA/STA
SA经典算法的原理如下;
而图像重建算法则可分为空间域算法和频域算法：
| 重建算法类别 | 具体算法 | 核心思想/特点 | 优点 | 缺点 |
|---|---|---|---|---|
| 空间域算法 | DAS（延时叠加） | 基于几何位置对回波信号进行时延对齐并叠加求和 | 简单、稳定、广泛应用 | 忽略信号特性，分辨率有限 |
| MV（最小方差） | 保持信源功率，最小化干扰和噪声功率 | 分辨率高 | 运算复杂，稳定性差 | |
| 对角加载MV | 在MV基础上引入对角加载提升鲁棒性 | 改善稳定性 | 仍较复杂 | |
| CBFB（相干因子波束合成） | 利用通道间相干性加权增强信源信息 | 抑制旁瓣和噪声，成像质量提升 | 实现复杂度高于DAS | |
| 广义相干因子 | 改进CBFB，增强信源与非信源分离效果 | 成像更清晰 | 计算量增加 | |
| 频域算法 | 角谱频域波束合成 | 基于角谱理论，利用FFT提高计算效率 | 计算效率高 | 对模型假设要求高 |
| Stolt’s f-k 频域波束合成 | 受地震学启发，适用于PWI/CPWC | 快速、适用于特定成像模式 | 图像质量略逊于空间域算法 | |
| 角度权重模板频域波束合成 | 引入角度权重模板优化图像质量 | 图像质量增强，流程简洁 | 实现需精细设计模板 |
超声成像的评价维度可分为：
| 评价维度 | 具体指标 | 定义/含义 | 计算/判定方式 | 意义/作用 |
|---|---|---|---|---|
| 成像精度 | FWHM（半峰全宽） | 主瓣宽度，反映细节分辨率，可分为轴向和横向分辨率 | 主瓣峰值下降6dB处的宽度（峰值一半处） | 越小 → 分辨率越高 |
| PSL（峰值旁瓣水平） | 最大旁瓣与主瓣峰值比（幅值） | 越低 → 成像越清晰，伪影越少 | ||
| ISL（积分旁瓣水平） | 旁瓣总能量与主瓣能量比 | 越低 → 能量泄漏越少 | ||
| 成像灵敏度 | SNR（信噪比） | 信号与噪声强度比 | 越高 → 对弱信号检测能力越强 | |
| 穿透深度 | 可清晰成像的最大深度 | SNR降至6dB或帧间相关系数降至0.5 | 越深 → 成像范围越大 | |
| 成像对比度 | CR（对比度） | 目标与背景灰度差异 | 越大 → 灰度层次越鲜明 | |
| CNR（对比噪声比） | 对比度与噪声综合指标 | 越大 → 图像越均匀、细腻 | ||
| gCNR（广义CNR） | 无量纲化的对比度指标 | 基于概率密度分布重叠度计算，归一化至[0,1] | 越接近1 → 区分度越强，普适性更好 |
