[发明专利]一种基于自监督学习的超声图像模拟方法

权利要求书

1.一种基于自监督学习的超声图像模拟方法，其特征在于，包括以下步骤：

步骤1：获取病人的CT/MR图像并切割该CT/MR图像，得到对应的组织切片图像；

步骤2：根据图像形态学特征将组织切片图像分割成不同区域，选择感兴趣的区域；

步骤3：收集超声模拟数据训练自监督网络，所述自监督网络包括生成器和鉴别器，生成器通过超声模拟数据的反射系数图生成对应的B模式图像，鉴别器通过输入该B模式图像和该反射系数图判断两者是否为真实的图像对，若是，则输出该B模式图像，若否，则进行反向传播更新自监督网络；

步骤4：自监督网络训练完毕后，将新的反射系数图输入所述生成器，由于模型收敛，此时生成器生成的B模式图像即为逼真的超声图像。

2.根据权利要求1所述的一种基于自监督学习的超声图像模拟方法，其特征在于：所述的步骤2还包括以下子步骤：

步骤21：使用马尔科夫随机场图像分割方法自动将组织切片图像分割为不同区域；

步骤22：根据YOLOv5目标检测算法自动选择感兴趣的区域。

3.根据权利要求1所述的一种基于自监督学习的超声图像模拟方法，其特征在于：所述的步骤3中，使用Field II预先模拟的超声模拟数据训练自监督网络。

4. 根据权利要求3所述的一种基于自监督学习的超声图像模拟方法，其特征在于：所述Field II预先模拟的超声模拟数据包含多个二维的数值模型，每个模型包含圆形内含物、三角形内含物或矩形内含物，各个内含物的size函数的取值范围为3mm～10mm。

5.根据权利要求1所述的一种基于自监督学习的超声图像模拟方法，其特征在于：所述的步骤3中，其损失函数为生成对抗损失与学习自相似(LSeSim)损失的加权求和，即，其中，代表生成器，代表鉴别器，是生成对抗损失函数，是LSeSim对比损失函数，为权值。

6.根据权利要求1所述的一种基于自监督学习的超声图像模拟方法，其特征在于：所述生成器为resnet生成器。

7.根据权利要求1或6所述的一种基于自监督学习的超声图像模拟方法，其特征在于：所述鉴别器为马尔可夫鉴别器，其使用的激活函数为LeakyReLU。