基于Inception-SE注意力机制的辐射致声信号带宽增强与降噪研究

摘要

目的：针对辐射致声（RA）信号用于放疗剂量监测存在的带宽受限与噪声干扰问题，提出一种基于深度学习的带宽增强与去噪方法，旨在提升RA信号的质量，最终提高基于RA信号的剂量重建精度。方法：利用k-Wave工具箱对RA信号的产生与传播过程进行声学模拟，在模拟中引入带宽截断和多种噪声成分以接近真实测量条件。将模拟得到的带限噪声信号作为网络输入，采用提出的基于Inception结构和SE注意力机制的RAD-Att-Net模型进行训练，实现信号带宽恢复与噪声抑制的联合优化。结果：实验结果表明，RAD-Att-Net恢复信号与理想射频信号高度一致。与带宽受限的噪声输入信号相比，恢复信号的均方误差从41.793±13.463降低至0.007±0.003，结构相似性指数由0.008±0.003提升至0.846±0.019，峰值信噪比由（-6.776±1.625）dB提高至（31.213±1.435）dB。本研究将不同信号分别进行剂量重建并采用伽马分析法评估恢复信号与理想射频信号之间的重建剂量偏差，在3%/2 mm条件下，剂量阈值为Dose>0%、>30%、>50%和>70%的伽马通过率分别达到99.71%±0.29%、98.15%±2.57%、97.08%±3.99%和96.44%±5.98%。结论：RAD-Att-Net模型能有效恢复RA信号的带宽并抑制噪声，显著提升信号质量，且基于恢复信号重建的剂量分布的准确性显著提高。

关键词

辐射致声成像 / 噪声去除 / 带宽恢复 / 深度学习 / 注意力机制