简介一套面向超声超分辨率研究的Matlab/Python混合代码库主要解决低分辨率超声信号与图像重建高分辨率细节的问题尤其适合计算机、电子信息工程、数学等专业的学生用于课程设计、期末大作业或毕业设计也适用于工程技术人员在无损检测、医学成像等场景中提升信号分析精度。压缩包共93个文件以Matlab脚本.m和Python脚本.py为核心辅以.mat数据文件、.md说明文档、.png图表等整体仅3.68MB便于快速下载与部署。代码采用参数化编程关键参数可灵活修改注释详尽并附带可直接运行的案例数据新手也能快速入手同时可通过替换数据集进一步验证模型在不同波形条件下的性能表现。目前已有108人学习对于希望深入掌握深度学习超分辨率技术并开展实验的读者而言是一份实用且易上手的参考资料。1. 波形特定性能超声超分辨率从理论到可复现的最后一公里实验室里训练好的超声超分辨率网络换一套探头数据后性能掉一半这几乎是超声深度学习项目中的默认结局。真正决定模型能否迁移的不是网络结构有多新而是它面对的脉冲波形、采样率和噪声分布是否和训练数据一致。这份以 Matlab 为主体的代码包把深度学习网络、延迟求和重建、chirp 压缩、阈值优化和噪声注入串成一条完整的评估流水线专门回答一个问题模型在不同脉冲类型下波形特定性能到底怎么变化。对做超声成像、医学信号处理、无损检测方向的研究生和工程师来说这套代码的价值在于可以直接替换数据、修改波形参数用一套统一的流程定量评估网络表现而不是反复在训练和调参之间空转。2. 网络训练链路bubblenetwork 的架构与损失函数组合2.1 网络结构从 RF 特征到气泡概率图的映射bubblenetwork.py承担的是核心映射任务把预处理后的 RF 特征图映射为微气泡位置的概率分布。虽然压缩包内没有给出逐层结构文档但从FigureNetwork.png和执行流程可以判断它的输入不是单帧 B 超灰度图而是经过包络提取或短时傅里叶变换后的二维特征张量。常见做法是采用编码器-解码器结构前段卷积层逐步下采样提取抽象特征后段转置卷积恢复空间分辨率末端接 sigmoid 输出 0 到 1 之间的概率值。# bubblenetwork.py 中网络骨架的等价实现 import torch.nn as nn class BubbleNet(nn.Module): def __init__(self, in_channels1, base_channels32): super().__init__() self.enc1 nn.Conv2d(in_channels, base_channels, 3, padding1) self.enc2 nn.Conv2d(base_channels, base_channels * 2, 3, padding1) self.enc3 nn.Conv2d(base_channels * 2, base_channels * 4, 3, padding1) self.dec nn.ConvTranspose2d(base_channels * 4, 1, 4, stride2, padding1) def forward(self, x): x torch.relu(self.enc1(x)) x torch.relu(self.enc2(x)) x torch.relu(self.enc3(x)) return torch.sigmoid(self.dec(x))这段骨架代码里最关键的设计是最后一层用sigmoid而不用relu。输出值的含义是每个像素位置存在微气泡的概率而不是超声回波强度。把超分辨率问题重构成逐像素检测/分割任务后才能配合后面的阈值优化脚本做二值化统计。base_channels32时网络参数量在几十万量级对单通道超声帧完全够用如果换成多阵元拼接后的多通道输入需要同步改in_channels并保证bubbledataloader.py输出的张量形状与网络输入严格一致否则最常见的报错就是通道数不匹配。2.2 损失函数组合MSE 之外的边界保持策略bubblelossfunctions.py很容易被低估。超声超分辨率模型如果只依赖像素级 MSE会出现“整体亮度接近但气泡边缘模糊”的问题因为 MSE 天然偏向平均值对高频细节不敏感。这份代码采用组合损失策略来缓解这个现象损失项计算对象作用典型权重MSE Loss网络输出与标签图约束像素数值接近1.0Dice Loss气泡二值掩膜缓解前景背景不平衡0.3Edge LossSobel 梯度图保留气泡边界结构0.1Dice Loss 对空白帧非常敏感。如果一批训练数据里混入大量无气泡帧梯度会把网络推向全零输出。我一般在训练前先统计标签图非零像素占比低于 0.01 的样本直接跳过 Dice 项只保留 MSE 来维持数值稳定。这个保护逻辑可以直接写进bubblelossfunctions.py比在数据加载阶段过滤样本更省事。2.3 训练循环、日志记录与损失曲线解读networkTraining.py把bubblelogging作为独立模块引入说明训练流程不是简单打印 loss。建议把训练 loss、验证 Dice、验证 IoU、学习率都写入日志文件后续用LossCurvesPlot.py绘制曲线。实际启动训练时我一般这样执行python networkTraining.py \ --epochs 100 \ --batch_size 8 \ --lr 1e-4 \ --loss_weight_dice 0.3 \ --val_period 10--lr 1e-4是考虑 RF 数据动态范围较大学习率过大会让权重在早期直接发散--val_period 10表示每 10 个 epoch 在验证集上计算一次 Dice 和 IoU而不是依赖训练 loss 曲线判断收敛状态。训练日志里如果训练 loss 和验证 loss 的 gap 持续超过 30%优先检查数据加载阶段是否对每帧 RF 数据做了 z-score 归一化。通道尺度不一致是跨 batch 波动最常见的原因这类问题在LossCurvesPlot.py画出的曲线里通常表现为验证曲线剧烈震荡而不是单调下降。2.4 检查点选择与验证集划分训练结束后代码包并不会自动帮你选最优检查点这一步需要根据验证指标判断通常借助customModelInfo.py记录模型结构、训练参数和验证结果。验证集划分时要注意按压力区间分层采样而不是随机抽帧——如果某一压力段的样本全部落在训练集模型对那一段的评价会虚高波形特定性能分析就失真了。我的习惯是先把数据按压力从低到高排序每隔三段取一段做验证这样能保证各个物理条件下的样本在验证集中都有覆盖。3. Matlab 端重建与脉冲波形处理延迟求和、chirp 压缩与 RF 数据交换3.1 main.m 到重建函数的调用链路main.m是整个 Matlab 工作流的入口。它不直接调用 Python 模型而是先读取 RF 数据、调用ReconstructBubbleImage.m生成重建基线再把结果输出为进一步分析的基础。这个分离设计是有意为之深度学习部分只负责“图像到图像”的超分辨率优化RF 域的波束成形完全保留在 Matlab 原生环境里避免在 Python 里重复实现底层信号处理逻辑。% main.m 的调用示意 rf_data read_rf_txt(sample_rf.txt); [b_img, x_axis, z_axis] ReconstructBubbleImage(rf_data, ... Fs, 1e7, C, 1540, Pitch, 0.3e-3, SaveResult, true);这段代码里有几个参数直接决定后续所有结果的有效性。Fs是 RF 采样率单位 Hz它决定时间轴到距离轴的换算关系填错会导致纵向尺度全错。C是声速软组织一般取 1540 m/s换成液体或气体环境需要按实际介质修改。Pitch是阵元间距直接影响横向分辨率边界也决定延迟求和算法里的聚焦精度。SaveResult控制是否把重建结果写入文本文件供 Python 端读取在跨语言协同流程里必须保持开启。3.2 delay_and_sum.m 的实现与参数边界delay_and_sum.m是延迟求和算法的独立实现。代码包把它单独拆出来目的是让使用者可以在不改动主脚本的情况下替换 apodization 窗或聚焦策略。常见的实现方式如下function img delay_and_sum(rf, delays, fs) % rf: 多阵元接收矩阵 (samples x elements) % delays: 每个阵元的时延 (s) % fs: 采样率 (Hz) [nSamples, nElements] size(rf); img zeros(nSamples, 1); for elem 1:nElements shift round(delays(elem) * fs); if shift 0 shift nSamples len_shift nSamples - shift; img(1:len_shift) img(1:len_shift) ... rf(shift1:end, elem); end end img img / nElements; endround(delays(elem) * fs)把连续时延量化为整数采样点偏移这种近似在计算上最快但会带来最多半个采样周期的误差。如果后续超分辨率网络对亚采样精度敏感可以换成频域移相法或线性插值。使用这个脚本时建议先对照采样周期确认时延量化误差是否满足成像分辨率要求因为相位误差过大会直接影响模型输入的一致性和最终超分效果。不同实现方式的取舍如下实现方式计算复杂度时延精度适用场景整数采样移位O(N×M)最差 0.5 个采样周期快速预览、网络输入粗对齐线性插值O(N×M)亚采样级精度要求较高的超声成像频域移相O(N×log N)高大批量离线处理3.3 chirpCompression.m 与脉冲属性提取chirpCompression.m处理的是发射线性调频信号的匹配滤波问题。如果接收信号是 chirp 波形直接重建会得到展宽的主瓣轴向分辨率明显下降匹配滤波将回波与参考信号做卷积恢复出窄脉冲。这里有一个容易被忽略的点参考信号必须和实际发射信号严格一致包括起始频率、终止频率和脉宽否则压缩后的旁瓣会抬高甚至出现虚假峰值。工程里配套的get_pulse_properties.m就是用来提取这些脉冲参数的建议替换数据前先运行它把中心频率和带宽记录下来再决定是否需要重新训练网络。3.4 RF_simulator 与 microbubble-simulator 的数据来源RF_simulator和microbubble-simulator这两个模块提供了生成仿真 RF 数据的手段。它们的价值在于可以在完全可控的条件下生成不同脉冲类型、不同气泡分布的回波信号为波形特定性能对比提供标准数据源。另一个重要的工程用途是补样本——当实验数据里某一压力区间样本稀疏时用仿真数据把这个区间补密比强行用训练好的模型去预测未见过的物理场景更稳妥。仿真数据和实测数据混训时需要注意仿真数据的噪声模型是理想化的如果直接混合训练网络在实测数据上的表现可能反而下降。我一般把仿真数据作为预训练阶段的数据源再用实测数据做微调。4. 波形特定性能评估阈值优化、噪声水平与气泡压力统计4.1 阈值优化从概率图到气泡数量网络输出概率图之后ThresholdOptimization.py负责把它转成最终的气泡检测结果。它的核心不是取固定阈值而是在验证集上对候选阈值做网格搜索找到 F1 分数最高的工作点。这个设计的合理性在于不同脉冲波形下网络输出的概率分布形态差异很大统一用 0.5 切断会系统性偏高或偏低。# ThresholdOptimization.py 的核心搜索逻辑 import numpy as np from sklearn.metrics import f1_score def optimize_threshold(prob_maps, labels, step0.05): candidates np.arange(0.05, 0.96, step) best_th, best_f1 0.0, 0.0 for th in candidates: preds (prob_maps th).astype(np.int8) f1 f1_score(labels.flatten(), preds.flatten(), zero_division0) if f1 best_f1: best_th, best_f1 float(th), float(f1) return best_th, best_f1step的取值直接影响搜索分辨率。气泡稀疏的数据集最佳阈值可能落在 0.45 到 0.55 之外的区间步长过大会漏掉最优解气泡密集的数据里阈值从 0.3 调到 0.7 对 F1 影响很小步长太细只是浪费计算时间。我一般先用step0.05粗扫一遍找到最优区间后在区间内把步长缩到 0.01 再扫一次。4.2 不同噪声水平下的模型鲁棒性评估ModelComparison_noiselevels.py配合addNoise.py回答一个工程问题当信噪比不断下降时模型还剩多少性能。这比单点评估更能反映模型在实际设备上的可用性因为设备硬件差异通常表现在噪声基底不同。addNoise.py在 RF 数据上注入高斯白噪声生成不同 SNR 的样本再走一轮重建和推理。# addNoise.py 的高斯噪声注入 def add_gaussian_noise(rf, snr_db): signal_power np.mean(rf ** 2) noise_power signal_power / (10 ** (snr_db / 10)) noise np.sqrt(noise_power) * np.random.randn(*rf.shape) return rf noisesnr_db是目标信噪比正值越大噪声越弱取负值时噪声功率超过信号。操作顺序特别重要必须先对 RF 数据加噪声再做包络检测和重建反过来在图像域加噪声会丢失物理一致的噪声形态评估结果会偏乐观。NoiseEvaluationPlot.py把不同噪声水平下的指标画成一条曲线横轴建议设为 SNRdB纵轴设为归一化 Dice。曲线拐点所在的位置就是模型能容忍的噪声下限。4.3 跨脉冲类型的模型对比方法ModelComparison.py和ModelComparison_noiselevels.py的差异在于对比维度不同前者横向比较不同脉冲类型下同一模型的性能后者固定脉冲类型、纵向比较噪声水平的影响。实际执行时我会先运行get_pulse_properties.m把每种脉冲的参数提取出来再对每种脉冲分别做阈值优化记录各自的最优阈值和 F1。这样最后得到的对比表能同时看出两个趋势网络对哪种脉冲更敏感以及哪种脉冲本身信噪比条件更好。StatisticsNumberBubbles_Pressures.py则把检测结果与物理条件关联统计不同压力下检出的气泡数量。压力变化会改变气泡的散射截面和振荡相位如果模型输出和预期的物理趋势严重偏离问题通常出在训练数据的压力覆盖不够而不是网络结构本身。统计维度含义预期趋势气泡总数模型检测到的微气泡数量随压力升高先增后饱和气泡平均大小连通域像素面积均值随压力升高而变小位置分布方差气泡空间分布的离散程度压力过高时趋于分散5. 数据迁移与波形校验把代码库用在自己的超声数据集上5.1 先跑 get_pulse_properties 核对波形参数拿到新数据集后的第一件事不是改网络而是运行get_pulse_properties.m提取发射脉冲的起始频率、终止频率和脉宽与项目自带仿真波形对比。中心频率偏差超过 20% 时网络面对的是全新的时域特征原先训练得到的卷积核基本失效。此时不要试图去凑参数应该用RF_simulator和microbubble-simulator生成匹配新脉冲的仿真数据在仿真域先把模型走通。5.2 文本数据桥接的格式约束Matlab 端writeResultsToTxt.m写出的重建结果Python 端由bubbledataloadermatlab.py读取。这里最隐蔽的坑是数组存储顺序Matlab 按列存储Python 按行存储中间数据如果在dlmwrite或writematrix转出时没做转置读进 numpy 后图像会横向翻转。验证办法很简单打印加载后张量的第一行和第一列数值再对照 Matlab 端统计结果看坐标轴是否对得上。writeResultsToTxt.m默认精度一般是%.6e读取时用np.loadtxt的默认 float 精度就能覆盖不要为了省内存降成 float16。python bubbledataloader.py \ --rf_dir ./my_rf_txt/ \ --label_dir ./my_labels/ \ --output_h 128 --output_w 128output_h和output_w决定送入网络的尺寸。超声 RF 数据原始分辨率通常高于 128×128直接降采样会丢失高频细节我一般先做包络检测再按比例缩放到目标尺寸避免拉伸变形破坏气泡的几何形状。5.3 固定基线对比的验证技巧在做波形特定性能分析时最稳妥的做法是固定一套基线配置同一组脉冲参数、同一个最优阈值、同一份测试集只改变待测波形参数再跑ModelComparison.py生成对比报告。为了加速迭代可以从测试集中挑 30 帧最有代表性的数据做快速验证——选择逻辑是包含高低压力段、气泡疏密区间和不同 SNR 水平。这 30 帧的结果虽然不能替代全量统计但对判断方向完全够用。每次改动后先看这组快速结果趋势符合预期再跑全量验证。本文还有配套的精品资源点击获取