[发明专利]基于深度学习的光声图像超分辨重建方法及装置

说明书

本发明实施例提供一种基于深度学习的光声图像超分辨重建方法及装置，其中，方法包括：通过k‑Wave工具箱、迭代重建算法，制备光声图像超分辨重建仿真数据集，并通过光声实验和图像下采样算法补充实验数据集；构建超分辨率网络SE‑EDSR；采用预训练策略在仿真数据集和实验数据集上递进式地训练SE‑EDSR，依次完成×2、×3、×4的超分辨重建任务，得到最终的光声图像×4超分辨重建模型；将目标光声图像输入训练好的光声图像×4超分辨重建模型，输出超分辨重建后的×4的高分辨图像。可实现基于深度学习的光声图像超分辨重建，显著降低传统重建算法对光声信号质量的严苛要求，有效节省信号采集带来的经济成本及时间成本。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于深度学习的光声图像超分辨重建方法及装置。

背景技术

光声成像(Photoacoustic Imaging，PAI)是一种新兴的医学影像技术。光声成像融合了超声成像和光学成像的优点，凭借着高分辨、高对比、深穿透等成像特点，能够实现从器官到细胞器级别的跨尺度成像。光声成像的工作原理为：生物组织接受一定面积的激光照射后，根据组织各部分特性的不同会形成不同的光吸收分布，吸光受热后组织发生微小形变并形成初始声场——光声信号，由超声换能器采集并经算法重建可获得生物组织的光吸收分布图——光声图像，进而获取组织的结构特性信息。

目前光声成像的重建算法主要分为三类：(1)解析重建算法，作为光声成像中兴起最早的算法，其通过光声图像的数学物理解析式实现图像重建。该算法具有过程简洁、成像速度快等优点，但是数据依赖性强，极易产生重建伪影。(2)数值重建算法，其以光声成像的方程为依据，直接通过求解数学方程重建图像，但是没有考虑光声信号产生、传播和接收的物理意义及其在方程中的体现，极易受噪声干扰。(3)迭代重建算法，其通过对光声图像到光声信号的过程建模，首先设置一个初始光声图像，通过建立的前向模型计算模拟的光声信号，然后与真实光声信号求差，最后通过迭代不断调整光声图像，直至光声信号差值最小。虽然迭代的时间成本以及算法本身对信号质量的要求都很高，但是相比更好的重建效果，仍使其成为目前最常用的重建算法。

光声成像的分辨率，即所能检测出的目标的最小尺寸，首先取决于光声信号的质量，其次是算法性能等。分辨率越高，则光声图像所能提供的生物组织或细胞的结构和生理信息越丰富。若想获得高分辨率的光声图像，最理想的方式就是采用大量的超声换能器进行全角度覆盖式的高速采样。然而，现实中由于光声信号有限采集角度的必然限制，同时出于设备成本、数据存取、成像速度等因素的考虑，普遍采用有限角度下稀疏采样的采集模式。因此，研究人员大多寄希望于算法性能的优化。虽然迭代重建算法仍是主流选择，但是迭代的时间成本、信号的稀疏性、噪音的干扰以及算法只针对特定扫描形式的局限性，使得实际效果往往不尽如人意，阻碍了临床转化。因此，亟需一种对于光声信号质量要求较低的高分辨重建算法，或者能够作为传统重建算法的补充，来缓解甚至消除上述制约。

发明内容

针对现有技术存在的问题，本发明实施例提供一种基于深度学习的光声图像超分辨重建方法及装置。

本发明实施例提供一种基于深度学习的光声图像超分辨重建方法，包括：

通过k-Wave工具箱、迭代重建算法，制备光声图像超分辨重建仿真数据集，并通过光声实验和图像下采样算法补充实验数据集；

构建超分辨率网络SE-EDSR；

采用预训练策略在所述仿真数据集和所述实验数据集上递进式地训练SE-EDSR，依次完成×2、×3、×4的超分辨重建任务，得到最终的光声图像×4超分辨重建模型；

将目标光声图像输入训练好的光声图像×4超分辨重建模型，输出超分辨重建后的×4的高分辨图像。

可选地，所述通过k-Wave工具箱、迭代重建算法，制备光声图像超分辨重建仿真数据集，包括：