[发明专利]一种基于生成对抗网络的快速超声定位显微成像方法

说明书

本发明提供一种基于生成对抗网络的快速超声定位显微成像方法，包括以下步骤：基于Pix2pix框架的生成对抗网络构建初始成像模型，在生成对抗网络中，采用残差卷积神经作为生成器，采用PatchGAN结构作为判别器；获取低分辨原始超声图像作为网络输入，并获取对应的高分辨超声定位显微图像作为训练标签，以此分别构建训练集和测试集；将训练集输入至初始成像模型，采用损失函数和训练标签进行训练生成快速超分辨成像模型；基于快速超分辨成像模型获取与待测原始超声图像对应的超高分辨超声图像。该方法无需额外运算或人工调参，减小了成像重建过程中计算的复杂性，避免了参数依赖性，极大地改善了现有超声定位显微成像技术的性能，更适用于快速超声定位显微成像。

技术领域

本发明属于超声定位显微成像技术领域，具体涉及一种基于生成对抗网络(Generative Adversarial Networks,GAN)的快速超声定位显微成像方法。

背景技术

超声定位显微成像(Ultrasound Localization Microscopy,ULM)技术已被提出并得以应用。对比传统超声成像，通过将单分子定位技术与超声造影剂相结合，ULM突破了声学衍射极限，可在亚波长尺度观察生物体内结构信息。

然而，使用ULM进行活体超高分辨超声成像时仍极具挑战。其主要原因是，ULM为基于单分子定位策略，实现超分辨成像。基于单分子定位方法，虽然能够大幅度改善超声成像的空间分辨率，但同时也极大增加了成像所需时间。为了克服该限制，一种可行的方法是增加单帧中微泡的数量，从而减少超高分辨重建所需的帧数，以提高成像速度。但是该方法一定程度上增加了微泡重叠的概率，降低了单分子定位的准确度。虽然能够提高成像速度，但也牺牲了图像分辨率。

深度学习是一种新兴的技术，其在超分辨图像重建任务上具有良好的性能。简而言之，深度学习方法以低分辨图像作为网络输入，以高分辨图像作为训练标签，迭代训练网络学习低分辨图像与高分辨图像之间的映射关系。目前，传统深度卷积网络已被用于超声图像的超分辨重建。但该方法依然通过单帧定位策略实现超高分辨成像，成像质量仍依赖于定位帧的数目。

相较于传统卷积网络，生成对抗网络的训练过程不仅以像素级差异最小化为优化目标，同时考虑深度评价网络指标，通过网络间的对抗训练使得生成图像更逼近真实。简而言之，生成对抗网络由生成器与判别器组成，生成器以低分辨图像为输入得到输出图像，将输出图像作为判别器输入得到判别器评分。生成器根据判别器评分迭代训练。因此，本发明提出一种基于生成对抗网络的超声定位成像技术。

发明内容

为解决上述问题，提供一种通过生成对抗网络实现超声图像的超高分辨重建的成像方法，本发明采用了如下技术方案：

本发明提供了一种基于生成对抗网络的快速超声定位显微成像方法，用于对原始超声图像进行快速超声定位得到超分辨超声图像，其特征在于，包括：步骤S1，基于生成对抗网络构建初始成像模型；步骤S2，获取低分辨原始超声图像作为网络输入，并获取对应的高分辨超声定位显微图像作为训练标签，以此分别构建训练集和测试集；步骤S3，将训练集输入至初始成像模型，采用损失函数和训练标签训练并优化该模型直至完成训练，得到快速超分辨成像模型；步骤S4，将待测原始超声图像输入至快速超分辨成像模型进行快速超声定位，从而得到对应的超高分辨超声图像，其中，生成对抗网络采用Pix2pix作为基础框架，采用残差卷积神经网络作为生成器网络，采用PatchGAN结构作为判别器网络。

本发明提供的一种基于生成对抗网络的快速超声定位显微成像方法，还可以具有这样的技术特征，其中，判别器网络用于为模型的训练提供生成对抗损失，生成器网络包括用于残差学习的6个残差模块和用于实现上采样操作的2个上采样模块，每个残差模块包含2个卷积层以及对应的批标准化层与激活函数，每个上采样模块由转置卷积层、批标准化层与激活函数组成。