多普勒超聲是一種醫(yī)學超聲模式，用于觀察沿超聲探頭發(fā)出的軸或由此類探頭掃描的平面區(qū)域的運動。雖然多普勒超聲通常用于檢查血流，但它也可用于檢測組織微搏。這種組織脈動起源于低速血液灌注，其周期性且與每次心跳同步。研究人員報告了亞微米水平的運動敏感性。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(jīng)常使用換能器來發(fā)射和檢測高頻聲波。將高壓發(fā)射脈沖施加到換能器內(nèi)部的壓電晶體上，以產(chǎn)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(jié)構(gòu)之間的界面。在這些結(jié)點處，超聲波脈沖中的一些能量被反射為回聲，而另一些則繼續(xù)傳播到組織更深處。每個波分量的相對大小是組織之間聲阻抗不匹配程度的函數(shù)。具有相似成分的組織區(qū)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超聲波來檢查大腦。這個頻率足夠低，可以穿透顱骨，但又足夠高，可以提供來自血流和組織的容易檢測到的回聲。2 MHz處的波長（λ）約為0.8 mm，這比我們觀察到的組織運動大一個數(shù)量級以上。識別隨時間推移的相位變化允許在微米級用該波長檢測組織運動。π的相變導致多普勒樣品體積的位移為λ/4，或約0.2 mm?？梢暂p松完成分辨率為 π/1，000 的角度測量，從而產(chǎn)生等于或低于微米的位移分辨率。

本應(yīng)用中使用的系統(tǒng)工作在2 MHz載波頻率和以6.25 kHz脈沖重復(fù)頻率發(fā)射的八周期發(fā)射突發(fā)。透射脈沖串尺寸導致軸向分辨率（樣品體積）約為3 mm。軸向分辨率不應(yīng)與上一段中討論的位移計算的角度分辨率混淆。當超聲波脈沖在組織中傳播時，它跟蹤散射體的運動。重要的是，樣品體積尺寸不能與獨立移動的組織元件的大小不匹配;否則，多個移動組織單元可能導致凈位移為零。此外，由于散射體在一組超聲脈沖中的去相關(guān)，小樣品體積中的大組織偏移將產(chǎn)生不確定性。

每個脈沖重復(fù)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(zhuǎn)換器以32 MSps的速度將其數(shù)字化，然后在現(xiàn)成的DSP卡（TigerSHARC引擎）中解調(diào)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(zhuǎn)換為 320 個解調(diào)的 IQ 值，以 0.4 mm 的間隔均勻分布（即載波的 λ/2）。然后將這 320 個 IQ 值重新采樣到 64 個 IQ 樣本中，這些樣本以 1.1 mm 的間隔對 20 至 90 mm 的深度范圍進行分層。以這種方式，在每個柵極深度以6.250 kHz的頻率對復(fù)雜的多普勒頻移信號進行采樣。

64 個門中每個門的局部大腦運動都是通過夾克在 MATLAB 中通過夾克使用具有夾克數(shù)據(jù)類型的 NVIDIA GTX 280 顯卡計算的。位移由使用公式1計算的IQ信號的未包裝瞬時相位推導出來。等式2捕獲了相位和位移之間的關(guān)系。

等式 1

等式 2

圖1所示的16個門以4.5 mm的間隔距離探頭20至90 mm。這些門是64個樣品門的子集，每個門都處理成位移波形。圖1中的所有位移波形共享一個公共x軸，該軸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：隨著時間的推移，可以使用2 MHz超聲束檢測大腦位移，并通過夾克在MATLAB中計算。

圖1的左上角顯示了Marc 600頭架，該頭架將換能器（a）牢固地放置在進入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，并疊加了與超聲束路徑相鄰的主要前動脈路徑的描繪。從威利斯環(huán)分支的動脈包括右中動脈（RMCA），右前腦動脈（RACA），左前腦動脈（LACA）和左中腦動脈（LMCA）。右側(cè)顯示了距離探頭20至90 mm的多普勒門的位移波形（在y軸處以微米為單位）與時間（在x軸處以秒為單位）。

這些腦移位圖具有很強的心臟周期存在。這些曲線還顯示位移值低至20微米，用于在舒張末期和收縮期峰值后不久測量的總偏移量。（請注意，心臟在舒張期放松，在收縮期泵血。隨著每個心臟周期，大腦通常從收縮期開始沿一個方向移位，然后從收縮期結(jié)束時向相反方向移動。在任何給定時間內(nèi)觀察所有深度，都會顯示具有不同大小的正位移和負位移值，表明心臟周期中組織運動的異質(zhì)性。

計算性能的基礎(chǔ)

本研究中使用的 GTX 280 GPU 具有 1 GB 的片上 RAM 和 240 個處理內(nèi)核，能夠處理 1，000 個 GFLOPS。對于此應(yīng)用，我們將數(shù)據(jù)分成 64 個多普勒門乘以 2 秒數(shù)據(jù)矩陣，從而得到 64 x 12，800 個復(fù)雜數(shù)據(jù)值的輸入矩陣。在使用 MATLAB 的 CPU 和使用夾克進行比較的 GPU 中計算位移（使用等式 1 和 2）。報告的計時測量結(jié)果在50項試驗中取平均值。

平均而言，GPU 在 51.50 毫秒內(nèi)計算出位移，而 CPU 在 621.5 毫秒內(nèi)執(zhí)行計算。憑借其高度并行的架構(gòu)，GPU 的性能比 CPU 高出 12 倍。梳理GPU計時測量結(jié)果進一步顯示，CPU和GPU之間的內(nèi)存?zhèn)鬏斝枰?1毫秒（總時間的80%），而實際計算只需要10.5毫秒（總時間的20%）。

在使用 Jacket 和 GPU 技術(shù)獲得積極成果后，我們預(yù)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(chǔ)。該特征對于實時處理組織微脈搏作為深度函數(shù)至關(guān)重要，這是我們研究的基本目標。我們還希望使用Creack軟件將提高我們以有效方式設(shè)計和測試算法的能力，并有助于降低開發(fā)成本。

審核編輯：郭婷