[发明专利]基于深度学习的优化超声成像系统参数的方法

权利要求书

1.一种基于深度学习的优化超声成像系统参数的方法，其特征在于，包括以下步骤：

步骤1：收集用于训练神经网络的样本，样本包括超声图像样本I、以及采集这超声些图像样本时超声成像系统所使用的相应超声成像系统参数向量样本P；

步骤2：建立神经网络模型并使用步骤1收集到的样本训练神经网络至收敛，得到训练好得神经网络系统onn；

步骤3：以原始的超声成像系统参数向量p或者原始超声图像作为输入输入到步骤2训练好的神经网络系统onn中，此时从onn输出端获得的参数就是优化的超声成像系统参数向量ep＝onn(p)；

该方法具体包括：

训练阶段：

步骤101，从超声设备上随机选择超声成像系统参数预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；

步骤102：获取OI对应的优化图像样本集EI；

步骤103：使用OI与EI训练一个DCGAN直至DCGAN的生成器网络能够在给定原始超声图像的情况下输出相应的优化图像，从而获得训练好的DCGAN；

DCGAN包括生成器网络和鉴别器网络；OI样本输入到生成器网络，通过生成器网络生成与OI样本对应的图像，然后鉴别器网络把生成器网络生成的图像与相应EI样本进行一致性比较；

步骤104：使用OP与OI训练一个多模DBM至收敛，从而获得训练好的多模DBM；

多模DBM包括卷积DBM、普通DBM，以及联系卷积DBM、普通DBM的共享隐层；OI输入卷积DBM，OP输入普通DBM，共享隐层建立OI与OP两种信息之间的联系；

应用阶段：

步骤a101，取训练阶段步骤103训练好的DCGAN的生成器网络部分，同时取得训练阶段步骤104训练好的多模DBM，组成人工神经网络系统；生成器网络的输出端连接卷积DBM的输入端；

步骤a102，向生成器网络输入端即图像端输入原始超声图像，普通DBM的参数向量端输出优化后的超声成像系统参数向量；

或者，

训练阶段：

步骤301：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；

步骤302：获取OI对应的优化图像样本集EI；

步骤303：使用预设值参数样本集OP训练一个全连接型自动编码器DNN-AutoEncoder；

全连接型自动编码器包括级联的全连接型编码器和全连接型解码器；全连接型编码器用于将高维度的输入信息压缩到低维空间，全连接型解码器用于将压缩后的低维空间信息转换回到原来的高维空间；

步骤304：使用图像样本集OI训练一个卷积型自动编码器CNN-AutoEncoder；

卷积型自动编码器包括级联的卷积型编码器和卷积型解码器；卷积型编码器用于将高维度的输入信息压缩到低维空间，卷积型解码器用来将压缩后的低维空间信息转换回到原来的高维空间；

步骤305：分别向步骤304中训练好的CNN-AutoEncoder的卷积型编码器输入OI，获得其输出MI，同时向步骤303中DNN-AutoEncoder的全连接编码器输入OP，获得其输出MP，使用MI作为输入，而MP作为输出训练全连接神经网络DNN-T；

步骤306：由CNN-AutoEncoder卷积型编码器部分、DNN-AutoEncoder全连接型解码器部分以及DNN-T构成一个神经网络系统，

CNN-AutoEncoder卷积型编码器部分连接DNN-T，DNN-T连接DNN-AutoEncoder全连接型解码器部分；

向该神经网络系统CNN-AutoEncoder的卷积型编码器端输入EI样本集，并在该神经网络系统的DNN-AutoEncoder的全连接型解码器输出端获得优化的预设值参数样本集EP；

步骤307：使用步骤301获得的预设值参数样本集OP和步骤306获得的优化的预设值参数样本集EP训练一个全连接神经网络DNN，直至网络收敛；

应用阶段：

步骤a301：向训练阶段步骤307获得的DNN输入预设值参数向量，在输出端得到的即是优化的超声成像系统参数向量；

或者，

训练阶段：

步骤401：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；

步骤402：获取OI对应的优化图像样本集EI；

步骤403：使用样本集OI与EI训练一个DCGAN，直至DCGAN的生成器网络能在输入原始超声图像的情况下输出相应的优化图像；从而获得训练好的DCGAN；

DCGAN包括生成器网络和鉴别器网络；OI样本输入到生成器网络，通过生成器网络生成与OI样本对应的图像，然后鉴别器网络把生成器网络生成的图像与相应EI样本进行一致性比较；

步骤404：使用预设值参数样本集OP训练一个全连接型自动编码器DNN-AutoEncoder；

全连接型自动编码器包括级联的全连接型编码器和全连接型解码器；全连接型编码器用于将高维度的输入信息压缩到低维空间，全连接型解码器用于将压缩后的低维空间信息转换回到原来的高维空间；

步骤405：使用图像样本集OI训练一个卷积型自动编码器CNN-AutoEncoder；

卷积型自动编码器包括级联的卷积型编码器和卷积型解码器；卷积型编码器用于将高维度的输入信息压缩到低维空间，卷积型解码器用来将压缩后的低维空间信息转换回到原来的高维空间；

步骤406：分别向步骤405中训练好的CNN-AutoEncoder的卷积型编码器输入OI，获得其输出MI，同时向步骤404中DNN-AutoEncoder的全连接型编码器输入OP，获得其输出MP，使用MI作为输入，而MP作为输出训练全连接神经网络DNN-T；

应用阶段：

步骤a401：利用步骤403训练好的DCGAN的生成器网络、步骤404训练好的DNN-AutoEncoder的全连接型解码器、以及步骤405训练好的CNN-AutoEncoder的卷积型编码器组成一个神经网络系统；

神经网络系统中，DCGAN的生成器网络连接CNN-AutoEncoder的卷积型编码器，CNN-AutoEncoder的卷积型编码器连接DNN-T，DNN-T连接DNN-AutoEncoder的全连接型编码器；

步骤a402：向步骤a401中组成的神经网络系统输入原始超声图像，此时经由该神经网络系统的输出即为优化的超声成像系统参数向量；

或者，

训练阶段：

步骤501：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；

步骤502：获取OI对应的优化图像样本集EI；

步骤503：取DCGAN的生成器网络部分；

步骤504：设DCGAN的生成器网络含有N层卷积层，向生成器网络依次输入OI样本与EI样本，并取得第n∈[1,N]层的输出分别为OIO、EIO；

步骤505：设步骤504中获得的OIO与EIO均为m个矩阵，将这m个矩阵统统向量化并分别合并成为矩阵MO与ME；

步骤506：以loss＝1/m(OIO-EIO)^2+(MO^2-ME^2)^2为优化目标来训练此DCGAN生成器网络直至收敛；loss是损失函数；

步骤507：使用OP与OI训练多模DBM至收敛，从而获得训练好的多模DBM；

多模DBM包括卷积DBM、普通DBM，以及联系卷积DBM、普通DBM的共享隐层；OI输入卷积DBM，OP输入普通DBM，共享隐层建立OI与OP两种信息之间的联系；

应用阶段：

步骤a501：利用训练阶段步骤506、507训练好的DCGAN生成器网络和多模DBM构建神经网络系统；

神经网络系统中，DCGAN生成器网络连接多模DBM中的卷积DBM；

步骤a502：向上述神经网络系统中DCGAN生成器网络输入超声图像，此时该神经网络系统的普通DBM输出端获得的向量即为优化的超声成像系统参数向量；

或者，

训练阶段：

步骤601：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；

步骤602：获取OI对应的优化图像样本集EI；

步骤603：取VGG网络的卷积网络部分；

步骤604：设VGG的卷积网络含有N层，向此卷积网络依次输入OI样本与EI样本，并取得第n∈[1,N]层的输出分别为OIO、EIO；

步骤605：设步骤604中获得的OIO与EIO均为m个矩阵，将这m个矩阵统统向量化并将每个向量化的矩阵按行排列，从而分别合并成为矩阵MO与ME；

步骤606：以OP作为输入、(OIO-EIO)^2和(MO^2-ME^2)^2作为输出训练一个解卷积网络；

应用阶段：

步骤a601：将超声系统预设值参数向量作为输入输入到训练阶段步骤606训练好的解卷积网络中，网络权值不变，以解卷积网络的两个输出之和为0为目标，优化网络输入端的预设值参数值，直至网络收敛，收敛时网络输入端被修改过的预设值参数向量就是优化的超声成像系统参数向量；

或者，

训练阶段：

步骤701：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；

步骤702：获取OI对应的优化图像样本集EI；

步骤703：取LeNet网络的卷积网络部分；LeNet网络是Deep Learning的网络结构之一；

步骤704：向LeNet的卷积网络依次输入OI样本与EI样本，并取得最后一层的输出分别为OIO、EIO；

步骤705：以OP作为输入、相应的res＝OIO-EIO作为输出训练一个解卷积网络；res是两个矩阵OIO与EIO的差；

应用阶段：将超声系统预设值参数向量作为输入输入到训练阶段步骤705训练好的解卷积网络中，网络权值不变，以解卷积网络输出0为目标，优化网络输入端的预设值参数值，直至网络收敛，收敛时网络输入端被修改过的参数向量就是优化的超声成像系统参数向量。