IVUS中FIR滤波应
一、IVUS
人们都接触过超声（ultrasound），大多数人接触超声估计还是从电影中的反潜作战中看到的。后来，随着应用的普及，可能家庭中有孕妇之类的情况也会有超声的检测。对绝大多数人看来，超声检测只是看到一大片黑乎乎的屏幕上分布着不同的斑点罢了。但实际上，这些斑点的用处可大了。
在心脏手术的应用上，超声也有很大的作用。IntraVascular UltraSound，也就是IVUS，是一种微创的血管内成像技术。可以理解成用一个微型的超声探头，在血管内部发射高频的声波，通过不断的旋转和前后位移来获取连续的血管的横截面图像。超声在不同的组织的反射能力各有不同，所以就可以通过反射回来的成像来判断血管内是否存在血栓、斑块以及血管壁上是否有纤维化或钙化等情况。通过医生的评估进行风险干预，包括但不限于药物治疗、安装心脏支架等。同时，还可以在术后进行治疗结果的评估，比如支架的贴壁情况等等。
IVUS有效的弥补了冠状动脉造影（CAG，Coronary Angiography）的不足，是一种冠心病诊断和介入治疗中非常重要的方法。
二、FIR在IVUS中的应用
在前面已经了解了FIR，那么在IVUS中为什么要引入FIR呢？既然在IVUS中使用超声，那么就极有可能会引入噪音或低频漂移（catheter motion）。也就是说，可以通过带通滤波来实现对非关心信号的过滤。同样，如果在知晓发射脉冲频率的情况下，也可以根据发射脉冲进行滤波匹配，实现对信噪比（SNR）和轴向分辨率（axial resolution）的提升。
而且，如果在后续的信号处理中要进行降采样（decimation或IQ demodulation），那么在之前的抗混叠滤波中就必须进行FIR。 另外，在包络提取前后滤波，Hilbert变换/包络检测链路中用FIR做平滑，可以提高灰阶图稳定性。 使用线性相位FIR在尽量保持边缘的前提下降噪，可以改善血管壁/斑块可视化，提高图像的质量（斑点噪声抑制与图像平滑）。
三、需求处理
如果想获取关心的带宽信号，一般来说需要对相应的带宽边界进行外延。而这个外延的范围需要一个经验值，其处理方流程如下：
- 确定定指标
一般给出 f0（探头中心频率）、BW（-6 dB带宽）、fs（采样率）、允许纹波 Rp、阻带衰减 A，过渡带宽Δf - RF带通FIR
通带常取：[f0(1-BW/2), f0(1+BW/2)]（按实际频响微调）
阶数常用 Kaiser 估算，计算公式：
N ≈ (A-8)/(2.285*Δω)，Δω=2πΔf/fs
Δf=∣fstop−fpass∣
其中：
A = stopband attenuation (dB):阻断衰减
Δω = 归一化过渡带
在实际应用中可简化为：
对称线性相位FIR，可以保持回波形态不被相位畸变
3. 时延与成像补偿
FIR群时延：τg = N/(2fs)，需要在深度轴补偿，否则会有轴向偏移。也就是说，计算后要进行数据的偏移处理
四、计算阶值
下面看一个计算阶数的例子（真正的数据需要一个实际测量的经验值，下面只是一个模拟的例子）：
- 设定目标
fs = 200MHz, passband为35~65MHz，stopband为低于30MHz和高于75MHz - 计算N（阶数）
Δf= min(35-30,75-65)=5
N=200/5=40taps - 利用工具进行阶数计算
可以利用Pyton相关的库进行计算
Fs=500e6low,high=10e6,70e6nyq=0.5*Fs#阶数 (Order/Taps)：一般推荐101,在500MHz下可提供约5MHz的过渡带宽度#firwin：是 SciPy 库中用于设计有限脉冲响应（FIR）滤波器的核心函数。它采用窗函数法，能够高效地设计出具有线性相位特性的 FIR 滤波器#低截止频率 (low)：一般使用20MHz，10-24MHz能量强，但20MHz以下多为 Ring-down 和运动伪影#高截止频率 （high）:一般使用65MHz，兼顾高分辨率。若后续处理性能受限，可降至 60 MHz#window='hamming':窗函数:Hamming (汉明窗),在主瓣宽度和旁瓣抑制之间取得平衡taps=firwin(101,[low/nyq,high/nyq],pass_zero=False,window='hamming')- 预处理
起始点清零（Near-field Blanking）：在
群延迟补偿(Delay Compensation)：前面提到的FIR滤波器会引入（N-1）/2个采样点的延迟，如N=101,则信号会右偏移50个点，需要将处理后的信号向左平移50个点。也可在结果中丢弃前50个点。
最后会算出来一个101长度的数组，可以在相关的程序中直接定义并使用。注意，这个有很大的经验值在内，不可照搬。
五、总结
技术最大的作用就是为人所用，可以在实际场景中解决问题，FIR亦是如此。通过上面的分析和说明，可以看到使用FIR可以对超声数据进行过滤处理，达到初步的目的。并为后续的相关数据算法提供基础的数据流。