[发明专利]基于深度学习的肿瘤光声图像快速重建方法及装置

权利要求书

1.一种基于深度学习的肿瘤光声图像快速重建方法，其特征在于，包括：

通过k-Wave工具箱和迭代重建算法，获取稀疏采样下，不同数量、形状、大小、位置、光吸收系数及信噪比的肿瘤光声仿真数据集，并通过光声实验补充实验数据集；

构建端到端的卷积神经网络模型SEU-Net；

采用预训练策略及有监督的学习方法，在所述肿瘤光声仿真数据集和所述实验数据集上递进式地训练所构建的SEU-Net，依次实现迭代重建算法重建图像到高质量标签图像、初始光声信号图到高质量标签图像的重建任务，得到训练好的肿瘤光声图像重建模型；

将目标肿瘤的初始光声信号图输入训练好的肿瘤光声图像重建模型，输出重建后的目标肿瘤的高质量图像，作为重建后的高质量肿瘤光声图像。

2.根据权利要求1所述的基于深度学习的肿瘤光声图像快速重建方法，其特征在于，所述获取稀疏采样下，不同数量、形状、大小、位置、光吸收系数及信噪比的肿瘤光声仿真数据集，包括：

以预设图像分辨率，依据光声成像原理，在k-Wave中模拟环阵、阵列式探头稀疏采样过程；

在所述环阵、阵列式探头的扫描区域内，随机生成预设数量个肿瘤仿体，随机设定所述肿瘤仿体的形状、大小、位置、光吸收系数及信噪比，每随机生成一组肿瘤仿体，通过k-Wave保存当前肿瘤仿体的初始光声信号图、对应的经迭代重建算法重建后的含有严重欠采样伪影的低质量光声图像、对应的高质量标签图像，作为当前肿瘤仿体的数据；

将随机生成的所有肿瘤仿体的数据组成肿瘤光声仿真数据集，将所述肿瘤光声仿真数据集中的数据按预设比例分为训练集和测试集。

3.根据权利要求2所述的基于深度学习的肿瘤光声图像快速重建方法，其特征在于，所述通过光声实验补充实验数据集，包括：

获取以琼脂仿体及种有肿瘤的小鼠作为实验对象进行阵列探头实验、所保存的初始光声信号图和经迭代重建算法重建后的低质量光声图像，以及获取以所述琼脂仿体及种有肿瘤的小鼠作为实验对象进行环阵探头实验、所保存的经迭代重建算法重建后的图像，作为高质量标签图像；

将阵列探头实验所保存的初始光声信号图、低质量光声图像和环阵探头实验所保存的高质量标签图像组成实验数据集，

将所述实验数据集中的数据按预设比例补充到所述训练集和所述测试集中。