Field II聚焦成像 vs. 平面波成像：实战对比两者的速度、分辨率与适用场景

Field II聚焦成像与平面波成像的深度技术选型指南

在超声成像领域，选择正确的成像模式往往意味着在速度与精度之间找到最佳平衡点。当我在实验室第一次对比这两种成像方式的仿真结果时，那组差异明显的B超图像至今记忆犹新——平面波成像的实时动态流畅得令人惊叹，而聚焦扫描的精细结构呈现又让人不忍割舍。这就像摄影中的连拍模式与高像素单张的抉择，没有绝对的好坏，只有最适合当前场景的技术方案。

1. 核心原理对比：从物理本质理解技术差异

1.1 平面波成像的工作机制

平面波成像如同用探照灯一次性照亮整个房间。所有阵元同步发射平面波前，覆盖整个成像区域。这种"全视野曝光"方式只需要单次发射即可获取完整帧数据，其核心优势在于：

• 发射时序：单次发射完成全帧采集
• 波前特性：平面波前平行传播
• 数据维度：所有深度信息同时记录
• 重建算法：通常需要反卷积处理

% 典型平面波发射设置示例 xdc_apodization(transducer, 0, ones(1,64)); % 全阵元激励 xdc_excitation(transducer, impulse); xdc_center_focus(transducer, [0 0 inf]); % 设置无限远焦点

1.2 聚焦成像的扫描线哲学

聚焦成像则像用放大镜逐点观察标本。它通过电子延迟精确控制声束在特定深度聚焦，必须通过多角度扫描覆盖整个区域。这种"点扫描"方式带来：

• 发射时序：N次发射对应N条扫描线
• 波前特性：球面波前在焦点会聚
• 数据维度：逐线采集后合成完整帧
• 重建算法：延时叠加(DAS)为主

% 聚焦扫描线配置示例 for scanLine = 1:128 delays = compute_focus_delays(scanLine); xdc_focus_times(transducer, 0, delays); rf_data(:,:,scanLine) = acquire_line(); end

关键区别：平面波的"快照式"采集 vs 聚焦扫描的"画笔式"绘制

2. 性能量化对比：六维参数实测分析

我们在相同点散射体模型下进行对照实验，硬件配置为64元相控阵探头，中心频率6MHz。以下实测数据揭示了两种模式的本质差异：

特别值得注意的是焦点深度对结果的影响。当测试点在30mm焦距时，聚焦成像的横向分辨率可达0.28mm，而平面波在该深度已退化到0.75mm。但在近场(<15mm)区域，两者的差距会明显缩小。

3. 工程实现细节：Field II仿真中的关键参数

3.1 平面波成像的优化技巧

在Field II中实现高质量平面波成像需要注意：

1. 带宽控制：过宽带宽会增加旁瓣

   excitation = sin(2*pi*6e6*(0:1/100e6:2/6e6)); % 2周期6MHz激励

2. 接收窗调整：动态深度补偿

   receive_apodization = hanning(64).' .* exp(-depth/50e-3);

3. 反卷积优化：Wiener滤波参数

   deconv_kernel = fft(psf)./(abs(fft(psf)).^2 + 0.01);

3.2 聚焦成像的质量提升要点

提升聚焦成像效率的实践方法：

• 动态聚焦接收：随深度调整接收焦点

  for depth = 10:5:80 receive_focus = [0 0 depth*1e-3]; xdc_dynamic_focus(rcv, 0, receive_focus); end

• 变迹优化：发射/接收采用不同窗函数

  tx_apod = hanning(64); rx_apod = tukeywin(64, 0.6);

经验提示：聚焦成像中，发射F数=1.5时能获得最佳焦区信噪比

4. 临床场景选择：何时用哪种成像模式？

4.1 优先选择平面波成像的场景

• 心脏动态监测：需要捕捉快速运动（如二尖瓣开合）
• 弹性成像：需要高帧率跟踪组织位移
• 造影剂追踪：观察微泡流动分布
• 术中实时导航：要求低延迟反馈

4.2 聚焦成像更适用的场景

• 甲状腺检查：需要分辨微小钙化点
• 乳腺肿瘤筛查：要求区分良恶性微小结构
• 血管内超声：需要清晰显示斑块分层
• 眼科检查：视网膜精细结构成像

在血流检测这类特殊应用中，可以采用混合策略：先用平面波快速定位感兴趣区域，再切换聚焦模式获取局部高清图像。这种"先广角后微距"的工作流程在实践中非常有效。

5. 前沿融合技术：突破传统局限的创新方向

现代超声系统正在发展一些突破性技术来化解这对矛盾：

1. 合成聚焦技术：

   • 通过编码发射获取更多信息
   • 虚拟源合成提高帧率

   encoded_waveforms = hadamard(64)*transmit_waves;

2. 深度学习重建：

   • 用CNN提升平面波图像质量
   • 生成对抗网络减少伪影

   model = load_model('pw_enhancer.h5') enhanced = model.predict(low_quality_input)

3. 自适应波束形成：

   • MVDR算法抑制旁瓣
   • 相干因子补偿相位误差

在最近的一个肝脏肿瘤检测项目中，我们采用平面波采集配合神经网络重建，将帧率保持在1200fps的同时，分辨率接近了传统聚焦成像的水平。这种技术进步正在重新定义性能边界。

6. 开发实战建议：从仿真到产品的经验分享

经过多个项目的迭代验证，总结出以下实用建议：

• 原型阶段：先用平面波快速验证算法可行性
• 深度优化：对关键区域采用局部聚焦扫描
• 硬件协同：根据选型调整前端采样率
  • 平面波需要更高AD采样率(≥40MHz)
  • 聚焦扫描可降低到20MHz左右
• 内存管理：

  // 平面波的环形缓冲区设计 #define BUF_FRAMES 10 struct FrameBuffer { float *data[BUF_FRAMES]; int write_idx; };

在资源受限的嵌入式平台实现时，我们发现平面波成像对内存带宽要求更高，而聚焦成像更依赖CPU计算性能。这个发现直接影响了我们最终选择Zynq UltraScale+ MPSoC作为处理平台。