[发明专利]一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法

说明书

本发明提供了一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，包括以下步骤：S1：分别在纯水介质时和有目标介质时的环形超声CT中获取各超声换能器接收到的原始数据，并获取各超声换能器接收信号的最早到达时间，绘制渡越时间差异图；S2：利用深度学习的方法来拟合声波折射影响带来的非线性映射，以折射矫正的方式将S1中绘制所得的带有折射影响的渡越时间差异图矫正为对应的无折射影响的渡越时间差异图；S3：利用直线假设下的吉洪诺夫正则化反演方法对S2中所得的无折射影响的渡越时间差异图进行重构，得到声速图像。通过本申请的公布，提高了重建结果的精度，并避免了多次迭代、正则化调参等繁琐步骤。

技术领域

本发明涉及生物医学超声学中的超声断层成像技术领域，更具体涉及一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法。

背景技术

超声CT声速重建技术是一种极具潜力的新型成像方式，以其无辐射性的，价格低廉，可产生定量的三维图像等优点展现出了很大优势。该技术以一环形的超声换能器阵列作为测量装置，通过换能器之间相互发射和接收超声波的方式来对目标物体的结构进行探测，然后利用各换能器接收到的超声信号来重构出超声CT声速图像。该技术可以通过重建在乳腺内的声速分布来区分正常腺体与癌变组织，甚至可以区分不同种类的肿瘤。

目前的超声CT声速重建方法主要分为两类：基于波形反演法和基于射线理论的方法。基于波形反演的方法使用全波方程对传播波场进行建模，因此考虑了衍射和多次散射等高阶效应，可以获得更好的重建质量。但是该类方法计算量往往十分巨大、难以实现。基于射线理论的方法主要利用各发射信号的到达时间来进行重构，忽略了传播过程中的衍射效应，因此计算量较小，易于实现，但是重构精度较低。其中基于射线理论的方法又可分为直线路径法和弯曲路径法，直线射线法假设声波在目标介质中的传播路径为直线，因此实现简单，但是质量较低。弯曲射线法考虑了声波在目标介质中传播时的折射影响，因此重构精度更高，但是需要利用迭代的利用射线追踪法来确定声波的折射传播路径，因此重构时间大大增加。

有鉴于此，有必要对现有技术中的成像方法予以改进，以解决上述问题。

发明内容

本发明的目的在于公开能够减小计算量，简化步骤，加快图像重构速度，以及提高图像重建精度，从而增强实用性的一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法。

为实现上述目的，本发明提供了一种结合深度学习与吉洪诺夫正则化反演的超声CT声速重建方法，包括以下步骤：

S1：分别在纯水介质时和有目标介质时的环形超声CT中获取各超声换能器接收到的原始数据，并获取各超声换能器接收信号的最早到达时间，绘制渡越时间差异图；

S2：利用深度学习的方法来拟合声波折射影响带来的非线性映射，以折射矫正的方式将S1中绘制所得的带有折射影响的渡越时间差异图矫正为对应的无折射影响的渡越时间差异图；

S3：利用直线假设下的吉洪诺夫正则化反演方法对S2中所得的无折射影响的渡越时间差异图进行重构，得到声速图像。

作为本发明的进一步改进，所述S2中采用深度神经网络作为深度学习技术的实施方式，可采用U-net网络但不限于U-net网络。

作为本发明的进一步改进，所述U-net的网络结构包括三个部分：

a1，多次卷积和池化；

a2，与a1相对应层次的多次反卷积和上采样；

a3，不同层次上的特征拼接，将不同尺度的特征信息进行融合，让网络能够同时利用到输入图像的细节特征以及较大尺度特征。

作为本发明的进一步改进，所述S2中采用了两种训练集制作方式，方式一为利用仿真数据来制作训练集，方式二为利用真实实验数据并结合全波方程反演的方法来制作训练集。