一种基于深度学习的柔性超声聚束成像方法及系统技术方案

本发明专利技术属于医学超声成像技术领域，提供了一种基于深度学习的柔性超声聚束成像方法及系统。该方法包括，获取柔性超声相控阵采集的人体器官超声图像，采用训练好的Encoder

【技术实现步骤摘要】
一种基于深度学习的柔性超声聚束成像方法及系统


[0001]本专利技术属于医学超声成像
，尤其涉及一种基于深度学习的柔性超声聚束成像方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]超声成像是医学应用最广泛的成像及检查技术之一，具有实时、无辐射、高性价比、设备体积小的特点，且可定性、定量分析人体器官组织的结构和功能，因而超声成像已成为当前国内外医疗界对人体心血管疾病检查及筛查，手术过程中超声实时图像引导的普遍且重要手段。
[0004]然而目前标准的超声检查受限于超声医生、患者和超声设备三个要素。对超声医生的依赖、对患者状态的限制、对设备性能的要求，成为目前超声装备更大范围应用的瓶颈问题。柔性超声相控阵是解决该问题有效方法，它减少了传统超声换能器超声及患者的依赖和对解剖结构的改变。然后，由于其柔性可拉伸的几何结构，当柔性面阵承受拉伸或压缩应变时，每个超声单元都会从预定位置发生位移，从而导致合成波束出现偏差，会产生因人体皮肤拉伸所引起的柔性超声相控阵元间的相位畸变，是目前医学可穿戴柔性超声相控阵应用的重大挑战。传统的超声成像方法DAS（Delay
‑
and
‑
Sum），即按位时延与加和，是由超声信道数据重建二维超声图像最常用的方法，但是，这种传统的延时和聚束生成方法会对超声射频数据施加错误的时延，产生聚焦误差和超声图像的失真。进一步限制柔性可穿戴超声的广泛应用。

技术实现思路

>[0005]本专利技术提供了一种基于深度学习的柔性超声聚束成像方法及系统，以解决该因其柔性可拉伸超声相控阵本身所固有的几何结构，引起的相位畸变所造成的超声图像失真问题。
[0006]为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一个方面提供一种基于深度学习的柔性超声聚束成像方法。
[0007]一种基于深度学习的柔性超声聚束成像方法，包括：获取柔性超声相控阵采集的人体器官超声图像，采用训练好的Encoder
‑
Decoder深度网络模型，得到超声图像；所述Encoder
‑
Decoder深度网络模型训练的过程包括：采用超声相控阵大数据队列仿真，得到原始超声聚束回波信号和相应的超声图像，构建柔性超声相控阵仿真大数据队列，以训练Encoder
‑
Decoder深度网络模型；其中，在采用超声相控阵大数据队列仿真时，针对同一虚拟超声扫描对象，获取从平面超声相控阵到最大凸曲率半径超声相控阵的超声图像。
[0008]进一步地，所述得到原始超声聚束回波信号和相应的超声图像的过程包括：采用超声成像方法DAS对原始超声聚束回波信号进行超声成像，并采用回波传输时间对超声聚束回波信号中的每一通道的超声回波信号进行时延后相加。
[0009]进一步地，所述虚拟超声扫描对象为使用真实人体器官的MRI核磁共振图像生成的散点图。
[0010]更进一步地，所述MRI核磁共振图像生成的散点图生成的过程包括：根据输入人体器官的MRI图像生成具有不同方差的散点图。
[0011]进一步地，在采用超声相控阵大数据队列仿真时，包括不同类型的虚拟超声扫描对象。
[0012]进一步地，在Encoder
‑
Decoder深度网络模型训练完成后包括对Encoder
‑
Decoder深度网络模型进行测试：获取柔性超声相控阵实体人体器官超声体模超声图像数据，对Encoder
‑
Decoder深度网络模型进行测试和调整。
[0013]更进一步地，所述获取柔性超声相控阵实体人体器官超声体模超声图像数据具体包括：获取柔性超声相控阵表面的三维扫描数据，计算柔性超声相控阵每个超声阵元的回波传输时间补偿；采用超声成像方法DAS对原始超声聚束回波信号进行超声成像，并采用所述回波传输时间对超声聚束回波信号中的每一通道的超声回波信号进行时延后相加；根据原始超声聚束回波信号和相应的超声图像，构建柔性超声相控阵实体人体器官超声体模超声图像数据。
[0014]本专利技术的第二个方面提供一种基于深度学习的柔性超声聚束成像系统。
[0015]一种基于深度学习的柔性超声聚束成像系统，包括：成像模块，其被配置为：获取柔性超声相控阵采集的人体器官超声图像，采用训练好的Encoder
‑
Decoder深度网络模型，得到超声图像；训练模块，其被配置为：采用超声相控阵大数据队列仿真，得到原始超声聚束回波信号和相应的超声图像，构建柔性超声相控阵仿真大数据队列，以训练Encoder
‑
Decoder深度网络模型；其中，在采用超声相控阵大数据队列仿真时，针对同一虚拟超声扫描对象，获取从平面超声相控阵到最大凸曲率半径超声相控阵的超声图像。
[0016]本专利技术的第三个方面提供一种计算机可读存储介质。
[0017]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于深度学习的柔性超声聚束成像方法中的步骤。
[0018]本专利技术的第四个方面提供一种计算机设备。
[0019]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于深度学习的柔性超声聚束成像方法中的步骤。
[0020]与现有技术相比，本专利技术的有益效果是：本专利技术针对医学柔性可穿戴式超声相控阵应用时，因人体皮肤拉伸，拉伸相控阵单元间距及阵元俯仰角变化引起的相位畸变，进一步所产生聚焦误差和超声图像的失真。
通过本专利技术的方法，可以极大的提高提升柔性超声相控阵的成像质量，进一步提高基于柔性超声相控阵的诊疗质量，扩展柔性可穿戴式超声的广泛应用。
附图说明
[0021]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0022]图1是本专利技术实施例一示出的基于深度学习的柔性超声聚束成像方法的流程图；图2是本专利技术实施例一示出的某一弯曲角度下的柔性相控阵的正视图；图3是本专利技术实施例一示出的某一弯曲角度下的柔性相控阵的俯视图；图4是本专利技术实施例一示出的某一弯曲角度下的柔性相控阵的侧视图。
具体实施方式
[0023]下面结合附图与实施例对本专利技术作进一步说明。
[0024]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0025]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的柔性超声聚束成像方法，其特征在于，包括：获取柔性超声相控阵采集的人体器官超声图像，采用训练好的Encoder
‑
Decoder深度网络模型，得到超声图像；所述Encoder
‑
Decoder深度网络模型训练的过程包括：采用超声相控阵大数据队列仿真，得到原始超声聚束回波信号和相应的超声图像，构建柔性超声相控阵仿真大数据队列，以训练Encoder
‑
Decoder深度网络模型；其中，在采用超声相控阵大数据队列仿真时，针对同一虚拟超声扫描对象，获取从平面超声相控阵到最大凸曲率半径超声相控阵的超声图像。2.根据权利要求1所述的基于深度学习的柔性超声聚束成像方法，其特征在于，所述得到原始超声聚束回波信号和相应的超声图像的过程包括：采用超声成像方法DAS对原始超声聚束回波信号进行超声成像，并采用回波传输时间对超声聚束回波信号中的每一通道的超声回波信号进行时延后相加。3.根据权利要求1所述的基于深度学习的柔性超声聚束成像方法，其特征在于，所述虚拟超声扫描对象为使用真实人体器官的MRI核磁共振图像生成的散点图。4.根据权利要求3所述的基于深度学习的柔性超声聚束成像方法，其特征在于，所述MRI核磁共振图像生成的散点图生成的过程包括：根据输入人体器官的MRI图像生成具有不同方差的散点图。5.根据权利要求1所述的基于深度学习的柔性超声聚束成像方法，其特征在于，在采用超声相控阵大数据队列仿真时，包括不同类型的虚拟超声扫描对象。6.根据权利要求1所述的基于深度学习的柔性超声聚束成像方法，其特征在于，在Encoder
‑
Decoder深度网络模型训练完成后包括对Encoder
‑
Decoder深度网络模型进行测试：获取柔性超声相控阵实体人体器官超声体模超声图像数据，对Encoder
...

【专利技术属性】
技术研发人员：刘治，孙保林，
申请(专利权)人：山东大学，
类型：发明
国别省市：