从信号到图像的转化链条

信号采集与转换

超声探头向人体发射高频超声波（1-20MHz），接收反射回波信号后，通过压电效应将声波转换为电信号。发射电路控制脉冲延迟与聚焦，接收电路对微弱信号进行放大、滤波（如时间增益补偿TGC）和数字化处理。

波束合成与图像形成

数字信号处理器（DSP/FPGA）执行波束合成算法，将多通道回波信号聚焦为声线数据，再通过扫描转换将极坐标数据插值为矩形像素矩阵，形成二维灰度图像。例如，B型超声通过亮度调制显示组织回声强度，多普勒技术通过频移效应捕捉血流动力学特征。

图像增强与噪声抑制

针对超声图像特有的散斑噪声（由组织微结构散射引起），系统采用非线性滤波算法（如适应性加权中值滤波）在平滑噪声的同时保留边缘细节。此外，通过直方图均衡化、对比度拉伸等技术提升图像可读性。

从基础处理到智能分析

图像预处理模块

去噪与平滑：抑制散斑噪声，提升信噪比。

边缘增强：通过高斯拉普拉斯算子等算法突出组织边界。

动态范围调整：优化图像对比度，使微小病变更易识别（如120dB动态范围支持直径≥3mm肿块的检测）。

三维重建与可视化

利用多幅二维切片图像，通过空间插值算法（如Free-Hand超声图像三维重组）生成立体结构模型。例如，AcuSee 3D系统通过红外双目相机追踪探头位置，实时构建大视野三维容积图像，辅助浅表器官（如甲状腺、乳腺）的病灶定位。

AI辅助诊断

病灶识别：卷积神经网络（CNN）自动标记可疑区域（如颈动脉斑块、肝脏肿瘤），准确率超92%。

量化分析：提取纹理特征（如光点密度、灰度方差）为疾病分级提供客观依据。例如，脂肪肝诊断中，系统通过分析肝实质回声的均匀性量化病变程度。

血流动力学评估：结合多普勒频谱数据，计算心脏射血分数、动脉硬化斑块的血流速度等参数。

人工智能在新药研发领域主要应用于靶点发现、化合物合成、化合物筛选、晶 型预测、患者招募、优化临床试验设计和药物重定向七大场景。这七大场景也是我 国在人工智能辅助药物研发方面的主要发力点。