[发明专利]一种基于深度学习的多稀疏策略的超声断层图像重建方法

说明书

本发明公开了一种基于深度学习的多稀疏策略的超声断层图像重建方法，属于超声断层成像技术领域。本发明在深度学习图像恢复的基础上，利用超声断层成像数据的特性，将采集到的稀疏数据进行二次采样重组，得到相当于稀疏数据的一系列子排列组合，再重建得到一系列不同稀疏策略的低质量超声断层图像，这些图像带有超声断层非线性重建中的纹理特征。使用特征提取网络得到稀疏发射的低质量图像的特征，输入重建网络，以完备数据集重建得到的高质量图像结果作为网络模型的目标，最终实现由稀疏超声回波数据到高质量图像结果的映射关系。与直接使用单组稀疏数据重建图像进行恢复的方法相比，该多稀疏方法可以更好地保留超声断层图像中的纹理特征。

技术领域

本发明属于超声断层成像技术领域，更具体地，涉及一种基于深度学习的多稀疏策略的超声断层图像重建方法。

背景技术

超声断层成像技术具有标准化操作、无辐射、高分辨率和高灵敏度的优点，在软组织肿瘤的筛查和早期诊断方面具有广阔的应用前景，已逐渐成为超声应用领域的热点之一。超声断层成像技术大体上可以分为反射模态和透射模态两种模式，其中，透射成像又包含声速重建和衰减重建。超声断层成像系统的反射图显示了目标的结构信息，其声速图和衰减图显示了目标的功能信息。一般的，超声断层成像系统采用步进式扫描获得组织不同断层的信息，后续重建出组织的三维影像，可以直观的显示病灶信息。相比于传统超声成像领域，超声断层成像标准化的操作流程降低了对超声医生经验的依赖，能有效促进超声技术的标准化应用。

超声断层成像系统包含大量阵元，采取传统数据采集模式来获取完备数据集时会带来以下问题：一是扫描时间过长，受限于超声波传播速度在人体组织中的有限性(平均为1540m/s)，扫描时间与发射事件次数呈正比，导致超声断层成像系统的单层扫描需要几秒钟的时间；二是原始数据量巨大，采集到的完备数据集在10GB的数量级，对系统的数据传输、存储和处理能力都提出了更高的要求，也增加了超声断层成像系统的成本。通过采集减少采集数据，可以加快成像速度，但是如果利用少量发射事件组成的稀疏数据进行重建会在结果中引入噪声，从而降低了最终的分辨力和图像的对比度。针对该问题，可以利用深度学习的方法将稀疏数据重建得到的图像恢复，但是恢复结果出现过度平滑的现象，细节纹理会被抹除。

发明内容

针对现有技术的改进需求，本发明提供了一种基于深度学习的多稀疏策略的超声断层图像重建方法，旨在解决现有对稀疏发射图像进行端到端图像重建结果过度平滑的问题。

为实现上述目的，第一方面，本发明提供了一种基于深度学习的多稀疏策略的超声断层图像重建模型的构建方法，包括以下步骤：

S1，采用发射接收模式获取切面的完备数据集，基于所述完备数据集进行合成孔径重建得到目标图像；其中，所述完备数据集是指对切面进行扫描时，单个阵元发射超声波，所有阵元同时接收，直到每个阵元都遍历一遍所获得的所有数据；

S2，对所述完备数据集进行均匀降采样得到第一稀疏数据集，再对所述第一稀疏数据集进行采样重组，得到不同的第二稀疏数据集；基于每个稀疏数据集进行合成孔径重建得到对应的稀疏发射图像；

S3，提取所有稀疏发射图像的特征并进行融合，得到融合特征；提取所述目标图像的特征，得到目标特征；将所述融合特征与目标特征作为一个训练对；

S4，重复执行S1至S3，以获得预设数量的训练对；基于各所述训练对训练超声断层图像重建模型。

进一步地，所述S1中，所述完备数据集的尺寸为A×B×C，A、B、C分别表示发射阵元数量、接收阵元数量和每条超声信号包含的时间采样点；

所述S2中，所述第一稀疏数据集的尺寸为D×B×C；所述第二稀疏数据集的尺寸为E×B×C和F×B×C；其中，D＜A，D＝2E＝4F。