[发明专利]一种基于深度学习的超声平面波复合成像方法

说明书

本发明公开了一种基于深度学习的超声平面波复合成像方法，包括：第一步，构建输入样本数据，包括数据的获取以及预处理，第二步，构建从平面波射频数据到超声复合图像的映射，训练网络，调整网络参数，得到平面波信号重建出高质量超声图像的最优模型，具体采用以U‑Net为基础的神经网络架构，整个网络包括下采样、中间层、上采样以及输出模块；第三步，图像数据后处理。本发明将单次发射获得的平面波信号，通过深度神经网络，重建出需要多次平面波合成才能产生的超声图像，从而能降低获取高质量超声图像的复杂度，并提高帧频，以推动深度学习超声成像的发展。

技术领域

本发明设计超声射频数据图像重建领域，具体涉及一种基于深度学习的平面波射频数据超声图像重建方法。

背景技术

超声成像是一种广泛应用于临床诊断的技术手段，具有安全性高、成本低、对患者无创等优点。平面波成像通过激发所有的孔径，从不同的角度发射平面波，每个角度发射得到一组平面波回波数据，根据这组回波数据进行延时叠加，然后进行取包络和对数压缩得到一幅超声图像。

传统的相干平面波合成(coherent plane-wave compounding,CPWC)从多个角度进行合成平面波数据，得到较高质量的图像；最小方差(Minimum variance,MV)波束形成通过计算通道数据的协方差矩阵和逆矩阵得到通道数据的权重，进行加权后，得到质量较高的超声图像，但是由于要计算协方差矩阵和逆矩阵，计算量很大。虽然现有的传统方法取得了好的效果，但是，这些方法是有条件限制，难以在不同的场景中自适应。

深度学习方法可以将复杂的计算过程交给神经网络进行学习，直接从信号到图像进行映射。此种端到端的学习方法的学习成本低、对信号的质量要求不是很高，低质量的信号也可以学习出高质量的图像。现有的深度学习方法很多也是对通道数据的权重进行学习，一旦场景改变，就较难重建出较好的图像。

发明内容

本发明提供一种基于深度学习的平面波射频数据超声图像重建方法，以期能直接从平面波的射频数据恢复到高质量的超声图像，从而降低获取高质量超声图像的复杂度。

本发明为解决问题，采用如下方案：

本发明一种基于深度学习的超声平面波复合成像方法的特点在于，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；