[发明专利]一种基于深度学习的超声平面波复合成像方法

权利要求书

1.一种基于深度学习的超声平面波复合成像方法，其特征在于，包括以下步骤：

步骤一：构建输入样本数据，包括数据的获取以及预处理；

步骤1.1：获取单个角度平面波的射频信号RF，并对所述射频信号RF进行延时对齐、归一化的预处理，从而得到预处理后的三维射频数据矩阵S；

步骤1.2：获取多个角度平面波的射频信号RF′，并对射频信号RF′对应的多个角度进行延时叠加后的图像信号再进行归一化处理，得到归一化后的高质量超声图像Y；

步骤1.3、对三维射频数据矩阵S和高质量超声图像Y在深度方向分别进行切片得到射频切片集合{s₁,...,s_n,...,s_N}和图像切片集合{y₁,...,y_n,...,y_N}，并相应作为神经网络的输入数据和网络优化的标准数据；其中，s_n表示第n个射频切片，y_n表示第n个图像切片；N表示切片总数；

步骤二：构建U-Net架构的神经网络，包括：下采样模块、中间模块、上采样模块以及输出模块；并将所述射频切片集合{s₁,...,s_n,...,s_N}输入所述神经网络中；

步骤2.1：所述下采样模块由M个下采样块组成，M个下采样块分别为DSampleBlock₁,...,DSampleBlock_m,...,DSampleBlock_M；其中，DSampleBlock_m表示第m级下采样块，m＝1,2,...,M；所述第m级下采样块DSampleBlock_m由第m级多层二维卷积层Dconv2d_m和第m级下采样层DSample_m组成；

所述第m级多层二维卷积层Dconv2d_m包括：X个二维卷积层，X个批量归一化层以及X个ReLU激活函数层，其中，第x个二维卷积层的卷积核大小为k_x；x＝1,2,…,X；

所述第n个射频切片s_n输入第1级下采样模块DSampleBlock₁中的第1级多层二维卷积层Dconv2d₁后输出特征图DCresult₁，并经过第1级下采样层DSample₁的处理，将信号的空间分辨率转变为输入的倍后，输出特征图DResult₁；其中，a表示缩放尺度系数；

当m＝2,3,…,M时，将特征图DResult_m-1作为第m级下采样块DSampleBlock_m的输入，并得到相应输出的特征图DResult_m；从而由第M级下采样块DSampleBlock_M得到所述下采样模块最终输出的特征图DResult_M；

步骤2.2：所述中间模块是一个多层二维卷积层，包括：X个卷积核为k×k的二维卷积层、X个批量归一化层和X个ReLU激活函数；

所述特征图DResult_M经过所述中间模块的处理后，输出特征图midResult；

步骤2.3：所述上采样模块由M个上采样块组成，M个上采样块分别记为USampleBlock₁,...,USampleBlock_m,...,USampleBlock_M；其中，USampleBlock_m表示第m级上采样模块；

所述第m级上采样块USampleBlock_m由第m级多层二维卷积层Uconv2d_m和第m级上采样层USample_m组成；所述第m级多层二维卷积层Uconv2d_m包括，X个二维卷积层，X个批量归一化层以及X个ReLU激活函数层，其中，第x个二维卷积层的卷积核大小为k_x×k_x；

所述特征图midResult输入第M级上采样块USampleBlock_M中的第M级上采样层USample_M，将信号的空间分辨率变为输入的a倍后，输出特征图UResult_M；

所述特征图UResult_M与中间模块的输出mResult进行拼接形成跳跃连接层共同作为所述第M级多层二维卷积层Uconv2d_M的输入，并相应输出特征图UCresult_M；

当m＝1,2,...,M-1时，下采样模块中第m级下采样块DSampleBlock_m的第m级多层卷积层Dconv2d_m输出的特征图DCresult_m和第m+1级上采样块USampleBlock_m+1中第m+1级多层卷积层Dconv2d_m+1输出的特征图UCresult_m+1进行拼接形成跳跃连接层共同作为第m级多层二维卷积层Uconv2d_m的输入；从而由第1级上采样块USampleBlock₁得到所述上采样模块最终输出的特征图UCresult₁；

步骤2.4：所述输出模块由两层卷积层组成，包括：一个卷积核大小为b×b的二维卷积和一个卷积核大小为b的一维卷积；

所述特征图UCresult₁经过输出模块后输出切片超声图像CUIMG；

步骤2.5：使用式(1)建立反向传播的损失函数L：

L＝L_MSE (1)

式(1)中，L_MSE是均方误差损失，并由式(2)得到：

式(2)中，P为图像切片的像素点数，为第n个射频切片s_n经过神经网络生成的图像切片的第i个像素点，为标准数据中第n个图像切片对应的第i个像素点；

步骤2.6对神经网络进行训练，并计算损失函数L，当训练迭代次数达到设定的次数或损失误差达小于所设定的阈值时，训练停止，从而得到最优的重建模型；

步骤三、图像后处理：

利用最优的重建模型对射频切片集合{s₁,...,s_n,...,s_N}进行处理并输出相应的切片超声图像后再拼接回原来的尺寸，对拼接后的超声图像进行对数压缩，以得到完整的重建图像IMG。