GPU引擎增强了超声检测到的大脑运动计算

多普勒超声是一种医学超声模式，用于观察沿超声探头发出的轴或由此类探头扫描的平面区域的运动。虽然多普勒超声通常用于检查血流，但它也可用于检测组织微搏。这种组织脉动起源于低速血液灌注，其周期性且与每次心跳同步。研究人员报告了亚微米水平的运动敏感性。了解这些脑组织脉动可能有助于识别大脑中的出血或缺血（缺乏血流）。

测量组织位移

科学家经常使用换能器来发射和检测高频声波。将高压发射脉冲施加到换能器内部的压电晶体上，以产生短脉冲的超声波能量。当这种超声波脉冲在组织中传播时，它会遇到不同组织结构之间的界面。在这些结点处，超声波脉冲中的一些能量被反射为回声，而另一些则继续传播到组织更深处。每个波分量的相对大小是组织之间声阻抗不匹配程度的函数。具有相似成分的组织区域具有低程度的不匹配，因此允许更多的超声脉冲穿透更深。

在这项研究中，我们使用2 MHz超声波来检查大脑。这个频率足够低，可以穿透颅骨，但又足够高，可以提供来自血流和组织的容易检测到的回声。2 MHz处的波长（λ）约为0.8 mm，这比我们观察到的组织运动大一个数量级以上。识别随时间推移的相位变化允许在微米级用该波长检测组织运动。π的相变导致多普勒样品体积的位移为λ/4，或约0.2 mm。可以轻松完成分辨率为 π/1，000 的角度测量，从而产生等于或低于微米的位移分辨率。

本应用中使用的系统工作在2 MHz载波频率和以6.25 kHz脉冲重复频率发射的八周期发射突发。透射脉冲串尺寸导致轴向分辨率（样品体积）约为3 mm。轴向分辨率不应与上一段中讨论的位移计算的角度分辨率混淆。当超声波脉冲在组织中传播时，它跟踪散射体的运动。重要的是，样品体积尺寸不能与独立移动的组织元件的大小不匹配;否则，多个移动组织单元可能导致净位移为零。此外，由于散射体在一组超声脉冲中的去相关，小样品体积中的大组织偏移将产生不确定性。

每个脉冲重复周期的多普勒频移信号是通过放大接收到的回波并使用16位A/D转换器以32 MSps的速度将其数字化，然后在现成的DSP卡（TigerSHARC引擎）中解调和抽取来获得的。因此，每个脉冲周期从 5，120 个回波样本开始，并转换为 320 个解调的 IQ 值，以 0.4 mm 的间隔均匀分布（即载波的 λ/2）。然后将这 320 个 IQ 值重新采样到 64 个 IQ 样本中，这些样本以 1.1 mm 的间隔对 20 至 90 mm 的深度范围进行分层。以这种方式，在每个栅极深度以6.250 kHz的频率对复杂的多普勒频移信号进行采样。

64 个门中每个门的局部大脑运动都是通过夹克在 MATLAB 中通过夹克使用具有夹克数据类型的 NVIDIA GTX 280 显卡计算的。位移由使用公式1计算的IQ信号的未包装瞬时相位推导出来。等式2捕获了相位和位移之间的关系。

等式 1

等式 2

图1所示的16个门以4.5 mm的间隔距离探头20至90 mm。这些门是64个样品门的子集，每个门都处理成位移波形。图1中的所有位移波形共享一个公共x轴，该轴以秒为单位表示时间。y 轴以微米为单位显示每条曲线的局部位移大小。

图 1：随着时间的推移，可以使用2 MHz超声束检测大脑位移，并通过夹克在MATLAB中计算。

图1的左上角显示了Marc 600头架，该头架将换能器（a）牢固地放置在进入大脑的时间声学窗口上。换能器显示在典型大脑的MRI图像旁边，并叠加了与超声束路径相邻的主要前动脉路径的描绘。从威利斯环分支的动脉包括右中动脉（RMCA），右前脑动脉（RACA），左前脑动脉（LACA）和左中脑动脉（LMCA）。右侧显示了距离探头20至90 mm的多普勒门的位移波形（在y轴处以微米为单位）与时间（在x轴处以秒为单位）。

这些脑移位图具有很强的心脏周期存在。这些曲线还显示位移值低至20微米，用于在舒张末期和收缩期峰值后不久测量的总偏移量。（请注意，心脏在舒张期放松，在收缩期泵血。随着每个心脏周期，大脑通常从收缩期开始沿一个方向移位，然后从收缩期结束时向相反方向移动。在任何给定时间内观察所有深度，都会显示具有不同大小的正位移和负位移值，表明心脏周期中组织运动的异质性。

计算性能的基础

本研究中使用的 GTX 280 GPU 具有 1 GB 的片上 RAM 和 240 个处理内核，能够处理 1，000 个 GFLOPS。对于此应用，我们将数据分成 64 个多普勒门乘以 2 秒数据矩阵，从而得到 64 x 12，800 个复杂数据值的输入矩阵。在使用 MATLAB 的 CPU 和使用夹克进行比较的 GPU 中计算位移（使用等式 1 和 2）。报告的计时测量结果在50项试验中取平均值。

平均而言，GPU 在 51.50 毫秒内计算出位移，而 CPU 在 621.5 毫秒内执行计算。凭借其高度并行的架构，GPU 的性能比 CPU 高出 12 倍。梳理GPU计时测量结果进一步显示，CPU和GPU之间的内存传输需要41毫秒（总时间的80%），而实际计算只需要10.5毫秒（总时间的20%）。

在使用 Jacket 和 GPU 技术获得积极成果后，我们预计该软件将为远远超过最先进的 DSP 性能的计算性能奠定基础。该特征对于实时处理组织微脉搏作为深度函数至关重要，这是我们研究的基本目标。我们还希望使用Creack软件将提高我们以有效方式设计和测试算法的能力，并有助于降低开发成本。

审核编辑：郭婷