多普勒超聲是一種醫學超聲模式，用于觀察沿從超聲探頭發出的軸或在由這種探頭掃描的平面區域中的運動。雖然多普勒超聲通常用于檢查血流，但也可用于檢測組織微搏動。這種組織脈動源于低速血液灌注，它是周期性的，與每次心跳同步。研究人員報告了對亞微米級運動的敏感性。了解這些腦組織脈動可能有助于識別大腦中的出血或缺血（缺乏血流）。

測量組織位移

科學家經常使用換能器來發射和檢測高頻聲波。向換能器內部的壓電晶體施加高壓發射脈沖，以產生短脈沖的超聲波能量。當這種超聲波脈沖在組織中傳播時，它會遇到不同組織結構之間的界面。在這些交界處，超聲波脈沖中的一些能量被反射為回波，而另一些則繼續向組織深處傳播。每個波分量的相對幅度是組織之間聲阻抗失配程度的函數。具有相似成分的組織區域具有低程度的不匹配，因此允許更多的超聲脈沖穿透更深。

在這項研究中，我們使用 2 MHz 超聲波檢查大腦。該頻率低到足以穿透顱骨，但又高到足以提供容易檢測到的來自血流和組織的回波。2 MHz 處的波長 （ λ ） 約為 0.8 mm，比我們觀察到的組織運動大一個數量級以上。識別隨時間的相位變化允許使用該波長在微米級檢測組織運動。π 的相位變化導致通過多普勒樣本體積λ /4 或約 0.2 mm 的位移。可以輕松完成分辨率為 π/1，000 的角度測量，從而獲得一微米或以下的位移分辨率。

本應用中使用的系統以 2 MHz 的載波頻率和以 6.25 kHz 的脈沖重復頻率發射的八周期發射突發運行。發射突發大小導致大約 3 mm 的軸向分辨率（樣本量）。軸向分辨率不應與上一段中討論的位移計算的角分辨率相混淆。當超聲脈沖在組織中傳播時，它會跟蹤散射體的運動。重要的是樣本體積大小不能與獨立移動的組織元素的大小不匹配；否則，多個移動組織元素可能導致凈位移為零。此外，由于一組超聲脈沖上的散射體去相關，小樣本體積中的大組織偏移會產生不確定性。

每個脈沖重復周期的多普勒頻移信號是通過放大接收到的回波并使用 16 位 A/D 轉換器以 32 MSps 將其數字化，然后在現成的 DSP 卡（TigerSHARC 引擎）中解調和抽取來獲得的。 因此，每個脈沖周期從 5，120 個回波樣本開始，并轉換為 320 個解調的 IQ 值，它們以 0.4 mm 的間隔均勻分布（即載波的λ/2）。然后將這 320 個 IQ 值重新采樣為 64 個 IQ 樣本，這些樣本以 1.1 mm 的間隔將深度范圍從 20 到 90 mm 分層。以這種方式，在每個門深度以 6.250 kHz 采樣復數多普勒頻移信號。

64 個門中每個門的局部大腦運動是在 MATLAB 中通過 Jacket 使用具有 Jacket 的 gsingle 數據類型的 NVIDIA GTX 280 顯卡計算的。位移源自使用公式 1 計算的 IQ 信號的展開瞬時相位。公式 2 捕獲了相位和位移之間的關系。

圖 1 中所示的 16 個門跨越距離探頭 20 到 90 mm 的范圍，間隔為 4.5 mm。這些門是 64 個樣本門的子集，每個都被處理成位移波形。圖 1 中的所有位移波形共享一個共同的 x 軸，它以秒為單位表示時間。y 軸以微米為單位顯示每條曲線的局部位移大小。

圖 1：可以使用 2 MHz 超聲波束檢測隨時間變化的大腦位移，并通過 Jacket 在 MATLAB 中進行計算。

圖 1 的左上角顯示了 Marc 600 頭架，其中裝有傳感器 （a），傳感器 （a） 牢固地放置在大腦的時間聲學窗口上。換能器顯示在典型大腦的 MRI 圖像旁邊，其中重疊描繪了與超聲波束路徑相鄰的主要前動脈路徑。從威利斯環分支的動脈包括右大腦中動脈 （RMCA）、右大腦前動脈 （RACA）、左大腦前動脈 （LACA） 和左大腦中動脈 （LMCA）。右側顯示了距離探頭 20 至 90 mm 處的多普勒門的位移波形（y 軸以微米為單位）與時間（x 軸以秒為單位）的關系。

這些大腦位移圖具有很強的心臟周期存在。曲線還顯示，在舒張末期和收縮峰值后不久測量的總偏移量的位移值低至 20 微米。（請注意，心臟在舒張期放松，而在收縮期泵血。）在每個心臟周期中，大腦通常從收縮期開始向一個方向移動，并從收縮期末開始向相反方向移動。查看任何給定時間的所有深度顯示具有不同幅度的正位移值和負位移值，表明心臟周期中組織運動的異質性。

計算性能的基礎

憑借 1 GB 的片上 RAM 和 240 個處理內核，本研究中使用的 GTX 280 GPU 能夠處理 1，000 GFLOPS。對于這個應用程序，我們將數據劃分為 64 個多普勒門，乘以 2 秒的數據矩陣，從而得到一個 64 x 12，800 個復雜數據值的輸入矩陣。使用 MATLAB 在 CPU 和使用 Jacket 的 GPU 中計算位移（使用公式 1 和 2）進行比較。報告的時間測量值是 50 次試驗的平均值。

平均而言，GPU 計算位移的時間為 51.50 毫秒，而 CPU 計算的時間為 621.5 毫秒。憑借其高度并行的架構，GPU 的性能比 CPU 高出 12 倍。梳理 GPU 時序測量進一步顯示 CPU 和 GPU 之間的內存傳輸需要 41 毫秒（占總時間的 80%），而實際計算僅耗時 10.5 毫秒（占總時間的 20%）。

在使用 Jacket 和 GPU 技術取得積極成果后，我們預計該軟件將為遠遠超過最先進的 DSP 性能的計算性能奠定基礎。此功能對于實時處理作為深度函數的組織微脈動至關重要，這是我們研究的基本目標。我們還希望使用 Jacket 軟件能夠提高我們以高效方式設計和測試算法的能力，并有助于降低開發成本。

關于作者：

Asanka S. Dewaraja是 Spencer Technologies 的學生研究員。她的研究興趣包括以超聲波為重點的生物醫學信號處理。她擁有華盛頓大學生物工程學士學位和碩士學位，目前正在攻讀博士學位。

Travis M. Rothlisberger是 Spencer Technologies 的一名工程師。他的興趣包括多普勒超聲、嵌入式系統和可編程邏輯。他在華盛頓大學獲得計算機工程學士學位。

Robert S. Giansiracusa是 Spencer Technologies 的一名工程師。他的興趣包括信號處理和硬件設計。他獲得了加州大學伯克利分校的電氣工程學士學位和麻省理工學院的電氣工程碩士學位。

Steven M. Swedenburg是 Spencer Technologies 的一名工程師。他擁有 30 多年的電子硬件設計工程師經驗，曾為從車庫初創公司到財富 500 強的公司工作。他的專長包括在動態市場中快速設計和實施尖端電路和硬件。

Gene A. Saxon是 Spencer Technologies 的一名工程師。他的研究興趣包括多普勒超聲和圖形用戶界面。他在英國布里斯托大學獲得機械工程學士學位/碩士學位，在華盛頓大學獲得醫學工程碩士學位。

Mark A. Moehring是 Spencer Technologies 的產品開發副總裁。他的興趣包括隨機信號處理的生物醫學應用，重點是使用超聲波進行生理測量。他在哈維穆德學院獲得物理學學士學位，在華盛頓大學獲得電氣工程碩士學位和博士學位。他是 IEEE 醫學和生物學工程學會西雅圖分會的主席。

審核編輯：郭婷