Robuste Pulsdetektion für die Ultraschall-Computertomographie ...
Robuste Pulsdetektion für die Ultraschall-Computertomographie ...
Robuste Pulsdetektion für die Ultraschall-Computertomographie ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
2.3. STAND DER FORSCHUNG<br />
Schätzung in den Frequenzbereich verlagert, was das Verfahren robuster gegen<br />
störende Einflüsse von Rauschen macht, da nur der interessierende Frequenz-<br />
bereich betrachtet und Einflüsse außerhalb <strong>die</strong>ses Bereichs nicht berücksichtigt<br />
werden. Prinzipiell entspricht das einer Bandpasscharakteristik. Die Pulse werden<br />
dabei als gauß’sche Echos mit einem zugehörigen Parametervektor modelliert, da<br />
<strong>die</strong>s <strong>die</strong> beste Annäherung an <strong>die</strong> Pulsform ermöglicht.<br />
Durch das Verfahren soll auch eine Trennung von überlagerten Pulsen möglich<br />
sein, da <strong>die</strong>se nach der Schätzung vom Signal subtrahiert werden können und so<br />
<strong>die</strong> Erkennung eines zweiten Pulses, der eventuell überlagert wurde, möglich ist.<br />
Die durch das Verfahren gewonnenen Parameter (Amplitude, Ankunftszeit, Mit-<br />
tenfrequenz, Phase, Bandbreite) können weiterverarbeitet werden, um <strong>die</strong> Bild-<br />
qualität des Abbildungsverfahrens zu verbessern. Ein weiterer wichtiger Punkt<br />
ist <strong>die</strong> Unterdrückung von Rauschen, welches nicht modelliert werden sollte. Zur<br />
Auswahl der Pulse wird allerdings nur ein Ansatz mit einer Fensterung im Fre-<br />
quenzbereich erläutert, der <strong>für</strong> den vorgesehenen Zweck der Anwendung jedoch<br />
nicht optimal ist. Dies resultiert daraus, dass <strong>die</strong> verwendeten Signale alle um <strong>die</strong><br />
Mittenfrequenz von 2,4 MHz angesiedelt sind und eine Trennung im Frequenzbe-<br />
reich unmöglich ist. Die Recherche zur Detektion und Auswahl der Signale wird<br />
im nächsten Abschnitt dargestellt. Zu erwähnen bleibt noch <strong>die</strong> hohe Komple-<br />
xität des Algorithmus im Vergleich zu anderen Denoising-Verfahren, wie auf der<br />
Discrete-Wavelet-Transform (DWT) basierende. Dies liegt an der zweistufigen<br />
kontinuierlichen Wavelet-Analyse des Signals. Allerdings können dadurch <strong>die</strong> Pa-<br />
rameter der Pulse gewonnen werden, was zusätzlich eine viel höhere Kompression<br />
der Signale ermöglicht.<br />
Andere Ansätze der Parameterschätzung verwenden oft eine Expectation-Maxi-<br />
mization-Methode (EM), was einer Maximum-Likelihood-Suche mit statistischen<br />
Ansätzen entspricht. Demirli et al. [7] haben gezeigt, dass <strong>die</strong>ser Ansatz eine gu-<br />
te Schätzung von Pulsparametern ermöglicht, aber auch einige Nachteile birgt.<br />
Die Schätzung findet zum einen im Zeitbereich des Signals statt, so dass in ver-<br />
rauschten Umgebungen ein zusätzliches Modell zur Rauschunterdrückung einge-<br />
setzt werden muss, um das Verfahren robuster zu gestalten. Ein weiterer Nachteil<br />
gegenüber der CWT-Methode ist <strong>die</strong> initiale Vorgabe von Schätzparametern, da<br />
11