CN110074813A - 一种超声图像重建方法及*** - Google Patents

一种超声图像重建方法及*** Download PDF

Info

Publication number
CN110074813A
CN110074813A CN201910342064.2A CN201910342064A CN110074813A CN 110074813 A CN110074813 A CN 110074813A CN 201910342064 A CN201910342064 A CN 201910342064A CN 110074813 A CN110074813 A CN 110074813A
Authority
CN
China
Prior art keywords
image
layer
network model
ultrasonic
radio frequency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910342064.2A
Other languages
English (en)
Other versions
CN110074813B (zh
Inventor
陈昕
赵万明
谢辰熙
邢运成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201910342064.2A priority Critical patent/CN110074813B/zh
Publication of CN110074813A publication Critical patent/CN110074813A/zh
Application granted granted Critical
Publication of CN110074813B publication Critical patent/CN110074813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
    • A61B8/5261—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from different diagnostic modalities, e.g. ultrasound and X-ray

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开一种超声图像重建方法及***。图像重建网络模型的建立方法包括：获取训练样本集；训练样本集包括多个样本对，每一样本对包括根据自然图像和/或医学图像获得的一组超声射频训练数据和对应的一幅训练灰阶图像。构建生成对抗网络模型，生成对抗网络模型包括生成器和判别器。利用训练样本集训练生成对抗网络模型，使生成对抗网络模型达到纳什平衡，将纳什平衡状态下的生成器作为图像重建网络模型，用于超声图像重建。本发明利用分辨率远高于超声图像的自然图像和医学图像作为训练生成对抗网络模型的数据基础，然后通过生成对抗网络模型自动学习优化参数，获得从原始数据到超声图像的映射关系，能够有效提高成像质量。

Description

一种超声图像重建方法及***
技术领域
本发明涉及成像领域，特别是涉及一种超声图像重建方法及***。
背景技术
超声成像是一种便捷、实时、无损的成像方法。这种方法是利用超声回波信号中携带的被检测物体内部不同部位的声阻抗差异信息进行成像的。传统超声成像过程分成两步，第一步是从超声换能器获取超声射频(Radio Frequency，RF)信号，第二步是利用RF信号生成超声图像，也就是超声图像重建。超声射频信号是超声成像过程中的原始信号，极易受到干扰，影响成像质量。而且，超声图像重建过程涉及多个步骤，每个步骤都需要设置许多参数，目前的方法大都是凭经验来设置每个步骤的参数，每步参数调整所产生的效果相互影响，很难找到一种有效的方法对这些参数进行整体规划，导致最终的成像质量较差。
发明内容
本发明的目的是提供一种超声图像重建方法及***，能够有效提高成像质量。
为实现上述目的，本发明提供了如下方案：
一种超声图像重建方法，所述方法包括：
获取成像目标的超声射频信号数据；
将所述超声射频信号数据输入图像重建网络模型，获得所述成像目标的超声图像；其中，所述图像重建网络模型的输入为超声射频信号数据，所述图像重建网络模型的输出为超声图像；所述图像重建网络模型是基于生成对抗网络的深度神经网络算法建立的；所述图像重建网络模型的建立方法包括：
获取训练样本集；所述训练样本集包括多个样本对，每一所述样本对包括一组超声射频训练数据和一幅与所述超声射频训练数据对应的训练灰阶图像；其中，所述超声射频训练数据为根据样本的自然图像和/或医学图像获得的超声射频数据；所述医学图像包括CT图像和磁共振图像中至少一者；
构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；
利用所述训练样本集训练所述生成对抗网络模型，使所述生成对抗网络模型达到纳什平衡，将纳什平衡状态下的生成器作为图像重建网络模型。
可选的，获取所述超声射频训练数据的方法包括：
获取样本的自然图像和/或医学图像；
将所述自然图像和/或所述医学图像输入超声声场仿真软件，获得样本的超声射频训练数据。
可选的，所述生成器包括七层结构；其中，第一层为全连接层；第二层为批量归一化层；第三层为全连接层；第四层为批量归一化层；第五层为二维反卷积层，卷积核大小为4×4，步长为2；第六层为批量归一化层；第七层为反卷积层，卷积核大小为4×4，步长为2，激活函数为sigmoid函数。
可选的，所述判别器包括5层结构；其中，第一层和第二层为二维卷积层，卷积核大小为4×4，步长为2，激活函数为带泄露修正线性单元函数；第三层、第四层和第五层为全连接层。
一种超声图像重建***，所述***包括：
射频数据获取模块，用于获取成像目标的超声射频信号数据；
图像重建模块，用于将所述超声射频信号数据输入图像重建网络模型，获得所述成像目标的超声图像；其中，所述图像重建网络模型的输入为超声射频信号数据，所述图像重建网络模型的输出为超声图像；所述图像重建网络模型是基于生成对抗网络的深度神经网络算法建立的；所述图像重建网络模型的建立子***包括：
样本集获取模块，用于获取训练样本集；所述训练样本集包括多个样本对，每一所述样本对包括一组超声射频训练数据和一幅与所述超声射频训练数据对应的训练灰阶图像；其中，所述超声射频训练数据为根据样本的自然图像和/或医学图像获得的超声射频数据；所述医学图像包括CT图像和磁共振图像中至少一者；
对抗网络构建模块，用于构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；
训练模块，用于利用所述训练样本集训练所述生成对抗网络模型，使所述生成对抗网络模型达到纳什平衡，将纳什平衡状态下的生成器作为图像重建网络模型。
可选的，所述样本集获取模块包括：
样本图像获取单元，用于获取样本的自然图像和/或医学图像；
训练数据确定单元，用于将所述自然图像和/或所述医学图像输入超声声场仿真软件，获得样本的超声射频训练数据。
可选的，所述生成器包括七层结构；其中，第一层为全连接层；第二层为批量归一化层；第三层为全连接层；第四层为批量归一化层；第五层为二维反卷积层，卷积核大小为4×4，步长为2；第六层为批量归一化层；第七层为反卷积层，卷积核大小为4×4，步长为2，激活函数为sigmoid函数。
可选的，所述判别器包括5层结构；其中，第一层和第二层为二维卷积层，卷积核大小为4×4，步长为2，激活函数为带泄露修正线性单元函数；第三层、第四层和第五层为全连接层。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的超声图像重建方法及***中，图像重建网络模型的建立方法包括：获取训练样本集；训练样本集包括多个样本对，每一样本对包括一组超声射频训练数据和一幅与之对应的训练灰阶图像；其中，超声射频训练数据为根据样本的自然图像和/或医学图像获得的超声射频数据；医学图像包括CT图像和磁共振图像中至少一者。构建生成对抗网络模型，生成对抗网络模型包括生成器和判别器。利用训练样本集训练生成对抗网络模型，使生成对抗网络模型达到纳什平衡，将纳什平衡状态下的生成器作为图像重建网络模型，用于超声图像重建。可见，本发明利用分辨率远高于超声图像的自然图像和医学图像作为训练生成对抗网络模型的数据基础，然后通过生成对抗网络模型自动学习优化参数，获得从原始数据到超声图像的映射关系，能够有效提高成像质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种超声图像重建方法的流程图；
图2为本发明实施例提供的一种图像重建网络模型的建立方法的流程图；
图3为本发明实施例提供的一种超声图像重建***的结构框图；
图4为本发明实施例提供的一种图像重建网络模型的建立子***的结构框图；
图5为本发明实施例提供的一种获取超声射频训练数据的流程图；
图6为本发明实施例提供的生成器的网络结构图；
图7为本发明实施例提供的判别器的网络结构图；
图8为本发明实施例提供的训练生成对抗网络模型的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种超声图像重建方法及***，能够有效提高成像质量。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种超声图像重建方法的流程图。如图1所示，一种超声图像重建方法，所述方法包括：
步骤101：获取成像目标的超声射频信号数据。
步骤102：将所述超声射频信号数据输入图像重建网络模型，获得所述成像目标的超声图像；其中，所述图像重建网络模型的输入为超声射频信号数据，所述图像重建网络模型的输出为超声图像；所述图像重建网络模型是基于生成对抗网络的深度神经网络算法建立的。
图2为本发明实施例提供的一种图像重建网络模型的建立方法的流程图。如图2所示，所述图像重建网络模型的建立方法包括：
步骤201：获取训练样本集；所述训练样本集包括多个样本对，每一所述样本对包括一组超声射频训练数据和一幅与所述超声射频训练数据对应的训练灰阶图像；其中，所述超声射频训练数据为根据样本的自然图像和/或医学图像获得的超声射频数据；所述医学图像包括CT图像和磁共振图像中至少一者。
步骤202：构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器。所述生成器包括七层结构；其中，第一层为全连接层；第二层为批量归一化层；第三层为全连接层；第四层为批量归一化层；第五层为二维反卷积层，卷积核大小为4×4，步长为2，不用激活函数；第六层为批量归一化层；第七层为反卷积层，卷积核大小为4×4，步长为2，激活函数为sigmoid函数。所述判别器包括5层结构；其中，第一层和第二层为二维卷积层，卷积核大小为4×4，步长为2，激活函数为带泄露修正线性单元(Leaky ReLU)函数；第三层、第四层和第五层为全连接层。
步骤203：利用所述训练样本集训练所述生成对抗网络模型，使所述生成对抗网络模型达到纳什平衡，将纳什平衡状态下的生成器作为图像重建网络模型。
具体地，获取所述超声射频训练数据的方法包括：
获取样本的自然图像和/或医学图像；
将所述自然图像和/或所述医学图像输入超声声场仿真软件，获得样本的超声射频训练数据。
图3为本发明实施例提供的一种超声图像重建***的结构框图。如图3所示，一种超声图像重建***，所述***包括：
射频数据获取模块301，用于获取成像目标的超声射频信号数据。
图像重建模块302，用于将所述超声射频信号数据输入图像重建网络模型，获得所述成像目标的超声图像；其中，所述图像重建网络模型的输入为超声射频信号数据，所述图像重建网络模型的输出为超声图像；所述图像重建网络模型是基于生成对抗网络的深度神经网络算法建立的。
图4为本发明实施例提供的一种图像重建网络模型的建立子***的结构框图。如图4所示，所述图像重建网络模型的建立子***包括：
样本集获取模块401，用于获取训练样本集；所述训练样本集包括多个样本对，每一所述样本对包括一组超声射频训练数据和一幅与所述超声射频训练数据对应的训练灰阶图像；其中，所述超声射频训练数据为根据样本的自然图像和/或医学图像获得的超声射频数据；所述医学图像包括CT图像和磁共振图像中至少一者。
对抗网络构建模块402，用于构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器。所述生成器包括七层结构；其中，第一层为全连接层；第二层为批量归一化层；第三层为全连接层；第四层为批量归一化层；第五层为二维反卷积层，卷积核大小为4×4，步长为2，不用激活函数；第六层为批量归一化层；第七层为反卷积层，卷积核大小为4×4，步长为2，激活函数为sigmoid函数。所述判别器包括5层结构；其中，第一层和第二层为二维卷积层，卷积核大小为4×4，步长为2，激活函数为Leaky ReLU函数；第三层、第四层和第五层为全连接层。
训练模块403，用于利用所述训练样本集训练所述生成对抗网络模型，使所述生成对抗网络模型达到纳什平衡，将纳什平衡状态下的生成器作为图像重建网络模型。
具体地，所述样本集获取模块401包括：
样本图像获取单元，用于获取样本的自然图像和/或医学图像。
训练数据确定单元，用于将所述自然图像和/或所述医学图像输入超声声场仿真软件，获得样本的超声射频训练数据。
本发明的具体实施过程如下：
(1)利用超声声场仿真软件获取超声射频训练数据。
本发明的网络训练阶段需要大量的样本数据进行训练，并要求样本数据同时具有RF数据和其对应的高分辨率灰阶图像，RF数据作为网络的输入，对应的高分辨率灰阶图像作为RF数据对应的标签图。为了提高超声图像重建的成像质量，本发明使用了两类图像来产生样本数据，一类为高分辨率的自然图像，另一类为CT图像和/或磁共振图像(MRI，Magnetic Resonance Imaging)等高分辨率的医学图像。利用上述两类图像数据，通过超声声场仿真软件可产生相应的RF数据。本实施例选用的仿真软件为声场仿真软件Field II。
图5为本发明实施例提供的一种获取超声射频训练数据的流程图。如图5所示，利用FieldII仿真工具包，以自然图像，CT或者MRI图像作为设置仿体参数的模板，通过图像中像素点的位置和灰度值来设置仿体中散射点的位置和大小，然后通过设置相关探头参数，扫描方式来获得仿体与超声波发生交互作用后探头接收到的超声RF信号数据。对RF信号数据进行重建，并与原图像进行对比能够证明上述RF数据产生方法的有效性。
(2)构建生成对抗网络。
生成对抗网络是由生成器和判别器组合而成的，生成器生成模拟数据，判别器判断生成的数据是真实的还是模拟的。生成模拟数据的生成器要不断优化自己让判别器判断不出来，判别器也要优化自己让自己判读得更准确，两者关系形成对抗。
将RF二维数据展平成一维的向量z，比如4*4的二维矩阵经过展平后变为1*16的一维矩阵，生成器从低维的RF数据中还原出高维的模拟数据。由于要先从低维数据来恢复高维数据，所以在网络结构中要使用反卷积函数，来模拟高维数据的生成。图6为本发明实施例提供的生成器的网络结构图。如图6所示，生成器一共由7层结构组成，其中前4层对应的结构组成为两个全连接层，每个全连接层后面接一个批量归一化(Batch Normalization)层。第5层为二维反卷积层，卷积核大小为4×4，步长为2，不用激活函数。第6层为BatchNormalization层。第7层为反卷积层，卷积核大小为4×4，步长为2，激活函数为sigmoid函数。
判别器用来判断输入的数据是真实的样本还是生成器生成的模拟数据，即估计样本属于某类的条件概率分布。其中，真实的样本为训练样本集中RF数据对应的灰阶图。在网络结构中要经过两次卷积，再接两次全连接，最后输出层产生的判别结果在0到1之间。其中1代表判断为真实样本，0代表判断为模拟数据。数值越接近1则表示输入数据为真实样本的概率越高，越接近0则表示输入数据为模拟样本的概率越高。图7为本发明实施例提供的判别器的网络结构图。如图7所示，判别器一共由5层结构组成，前两层为二维卷积层，卷积核大小为4×4，步长为2，激活函数为LeakyReLU函数，后三层为全连接层，最后的全连接层输出判别结果。
(3)使用样本数据进行网络训练学习，获得图像重建网络模型。
图8为本发明实施例提供的训练生成对抗网络模型的流程图。如图8所示，将平坦后的RF一维向量放到生成器中，生成模拟样本，然后将模拟样本和真实样本(灰阶图像)分别输入到判别器中，生成判别结果。生成器的目的是使模拟样本接近于真实样本，所以模拟样本的判别结果在数值上要不断接近1，而判别器的目的是能准确判断模拟样本或真实样本，所以模拟样本的判别结果在数值上要不断接近0，真实样本的判别结果在数值上要不断接近1。本发明使用Adam优化算法来优化上述的训练过程，判别器的学习率为0.0001，生成器的学习率为0.001。
Adam优化算法是梯度下降法的一种，用于深度学习中递归性地逼近最小偏差模型。在训练过程中，每次正向传播都会得到输出值与真实值的损失值，这个损失值越小，代表模型越好。
将生成器和判别器同时进行训练，经过大量次数的迭代训练使生成器尽可能模拟出接近于原始超声图像的样本，而判别器会有更精确的鉴别真伪数据的能力，最终整个生成对抗网络会达到纳什平衡，即判别器对模拟数据和真实数据的判别结果都接近0.5。经过上述的训练过程即可获得具有重建能力的生成器，将这个生成器作为图像重建网络模型进行后续的图像重建。
(4)利用图像重建网络模型进行图像重建。
将成像目标的超声射频信号数据输入图像重建网络模型，图像重建网络模型即可输出成像目标的超声图像。
本发明利用高辨率的自然图像和医学图像作为训练生成对抗网络模型的数据基础，然后通过生成对抗网络模型自动学习优化参数，获得从原始数据到超声图像的映射关系，能够有效提高成像质量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种超声图像重建方法，其特征在于，所述方法包括：
获取成像目标的超声射频信号数据；
将所述超声射频信号数据输入图像重建网络模型，获得所述成像目标的超声图像；其中，所述图像重建网络模型的输入为超声射频信号数据，所述图像重建网络模型的输出为超声图像；所述图像重建网络模型是基于生成对抗网络的深度神经网络算法建立的；所述图像重建网络模型的建立方法包括：
获取训练样本集；所述训练样本集包括多个样本对，每一所述样本对包括一组超声射频训练数据和一幅与所述超声射频训练数据对应的训练灰阶图像；其中，所述超声射频训练数据为根据样本的自然图像和/或医学图像获得的超声射频数据；所述医学图像包括CT图像和磁共振图像中至少一者；
构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；
利用所述训练样本集训练所述生成对抗网络模型，使所述生成对抗网络模型达到纳什平衡，将纳什平衡状态下的生成器作为图像重建网络模型。
2.根据权利要求1所述的超声图像重建方法，其特征在于，获取所述超声射频训练数据的方法包括：
获取样本的自然图像和/或医学图像；
将所述自然图像和/或所述医学图像输入超声声场仿真软件，获得样本的超声射频训练数据。
3.根据权利要求1所述的超声图像重建方法，其特征在于，所述生成器包括七层结构；其中，第一层为全连接层；第二层为批量归一化层；第三层为全连接层；第四层为批量归一化层；第五层为二维反卷积层，卷积核大小为4×4，步长为2；第六层为批量归一化层；第七层为反卷积层，卷积核大小为4×4，步长为2，激活函数为sigmoid函数。
4.根据权利要求1所述的超声图像重建方法，其特征在于，所述判别器包括五层结构；其中，第一层和第二层为二维卷积层，卷积核大小为4×4，步长为2，激活函数为带泄露修正线性单元函数；第三层、第四层和第五层为全连接层。
5.一种超声图像重建***，其特征在于，所述***包括：
射频数据获取模块，用于获取成像目标的超声射频信号数据；
图像重建模块，用于将所述超声射频信号数据输入图像重建网络模型，获得所述成像目标的超声图像；其中，所述图像重建网络模型的输入为超声射频信号数据，所述图像重建网络模型的输出为超声图像；所述图像重建网络模型是基于生成对抗网络的深度神经网络算法建立的；所述图像重建网络模型的建立子***包括：
样本集获取模块，用于获取训练样本集；所述训练样本集包括多个样本对，每一所述样本对包括一组超声射频训练数据和一幅与所述超声射频训练数据对应的训练灰阶图像；其中，所述超声射频训练数据为根据样本的自然图像和/或医学图像获得的超声射频数据；所述医学图像包括CT图像和磁共振图像中至少一者；
对抗网络构建模块，用于构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；
训练模块，用于利用所述训练样本集训练所述生成对抗网络模型，使所述生成对抗网络模型达到纳什平衡，将纳什平衡状态下的生成器作为图像重建网络模型。
6.根据权利要求5所述的超声图像重建***，其特征在于，所述样本集获取模块包括：
样本图像获取单元，用于获取样本的自然图像和/或医学图像；
训练数据确定单元，用于将所述自然图像和/或所述医学图像输入超声声场仿真软件，获得样本的超声射频训练数据。
7.根据权利要求5所述的超声图像重建***，其特征在于，所述生成器包括七层结构；其中，第一层为全连接层；第二层为批量归一化层；第三层为全连接层；第四层为批量归一化层；第五层为二维反卷积层，卷积核大小为4×4，步长为2；第六层为批量归一化层；第七层为反卷积层，卷积核大小为4×4，步长为2，激活函数为sigmoid函数。
8.根据权利要求5所述的超声图像重建***，其特征在于，所述判别器包括5层结构；其中，第一层和第二层为二维卷积层，卷积核大小为4×4，步长为2，激活函数为带泄露修正线性单元函数；第三层、第四层和第五层为全连接层。
CN201910342064.2A 2019-04-26 2019-04-26 一种超声图像重建方法及*** Active CN110074813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910342064.2A CN110074813B (zh) 2019-04-26 2019-04-26 一种超声图像重建方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910342064.2A CN110074813B (zh) 2019-04-26 2019-04-26 一种超声图像重建方法及***

Publications (2)

Publication Number Publication Date
CN110074813A true CN110074813A (zh) 2019-08-02
CN110074813B CN110074813B (zh) 2022-03-04

Family

ID=67416866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910342064.2A Active CN110074813B (zh) 2019-04-26 2019-04-26 一种超声图像重建方法及***

Country Status (1)

Country Link
CN (1) CN110074813B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517249A (zh) * 2019-08-27 2019-11-29 中山大学 超声弹性图像的成像方法、装置、设备及介质
CN111091603A (zh) * 2019-11-04 2020-05-01 深圳先进技术研究院 一种超声成像方法、装置、可读存储介质及终端设备
CN111402266A (zh) * 2020-03-13 2020-07-10 中国石油大学(华东) 一种构建数字岩心的方法及***
CN111444830A (zh) * 2020-03-25 2020-07-24 腾讯科技（深圳）有限公司 基于超声回波信号的成像的方法、装置、存储介质及电子装置
CN111489404A (zh) * 2020-03-20 2020-08-04 深圳先进技术研究院 一种图像重建方法、图像处理装置及具有存储功能的装置
CN111798400A (zh) * 2020-07-20 2020-10-20 福州大学 基于生成对抗网络的无参考低光照图像增强方法及***
WO2021120071A1 (zh) * 2019-12-18 2021-06-24 深圳迈瑞生物医疗电子股份有限公司 超声成像方法、超声成像***及计算机可读存储介质
CN113112559A (zh) * 2021-04-07 2021-07-13 中国科学院深圳先进技术研究院 一种超声图像的分割方法、装置、终端设备和存储介质
CN113239978A (zh) * 2021-04-22 2021-08-10 科大讯飞股份有限公司 医学图像预处理模型与分析模型的相关方法和装置
CN113436109A (zh) * 2021-07-08 2021-09-24 清华大学 一种基于深度学***面波超声成像方法
CN113470139A (zh) * 2020-04-29 2021-10-01 浙江大学 一种基于mri的ct图像重建方法
CN114739673A (zh) * 2022-03-18 2022-07-12 河北工业大学 一种轴承振动信号特征可解释性降维与故障诊断方法
CN116681790A (zh) * 2023-07-18 2023-09-01 脉得智能科技(无锡)有限公司 一种超声造影图像生成模型的训练方法及图像的生成方法
EP4198559A4 (en) * 2021-01-19 2024-05-22 Tencent Technology (Shenzhen) Company Limited ULTRASONIC ECHO-BASED OBJECT RECOGNITION METHOD AND APPARATUS AND STORAGE MEDIUM

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101099681A (zh) * 2007-06-07 2008-01-09 复旦大学 小尺度下热声成像的反卷积重建法
US20120220875A1 (en) * 2010-04-20 2012-08-30 Suri Jasjit S Mobile Architecture Using Cloud for Hashimoto's Thyroiditis Disease Classification
CN104055536A (zh) * 2014-04-25 2014-09-24 深圳大学 一种超声与磁共振图像融合配准方法
US20170337682A1 (en) * 2016-05-18 2017-11-23 Siemens Healthcare Gmbh Method and System for Image Registration Using an Intelligent Artificial Agent
CN107610193A (zh) * 2016-06-23 2018-01-19 西门子保健有限责任公司 使用深度生成式机器学习模型的图像校正
CN108268870A (zh) * 2018-01-29 2018-07-10 重庆理工大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
CN108447049A (zh) * 2018-02-27 2018-08-24 中国海洋大学 一种基于生成式对抗网络的数字化生理生物体分割方法
CN108550118A (zh) * 2018-03-22 2018-09-18 深圳大学 运动模糊图像的模糊处理方法、装置、设备及存储介质
CN109087327A (zh) * 2018-07-13 2018-12-25 天津大学 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
CN109242865A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 基于多图谱的医学图像自动分区***、方法、装置及存储介质
CN109377520A (zh) * 2018-08-27 2019-02-22 西安电子科技大学 基于半监督循环gan的心脏图像配准***及方法
CN109493308A (zh) * 2018-11-14 2019-03-19 吉林大学 基于条件多判别生成对抗网络的医疗图像合成与分类方法
CN109544517A (zh) * 2018-11-06 2019-03-29 中山大学附属第医院 基于深度学习的多模态超声组学分析方法及***
CN109637634A (zh) * 2018-12-11 2019-04-16 厦门大学 一种基于生成对抗网络的医学图像合成方法
US20190122120A1 (en) * 2017-10-20 2019-04-25 Dalei Wu Self-training method and system for semi-supervised learning with generative adversarial networks

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101099681A (zh) * 2007-06-07 2008-01-09 复旦大学 小尺度下热声成像的反卷积重建法
US20120220875A1 (en) * 2010-04-20 2012-08-30 Suri Jasjit S Mobile Architecture Using Cloud for Hashimoto's Thyroiditis Disease Classification
CN104055536A (zh) * 2014-04-25 2014-09-24 深圳大学 一种超声与磁共振图像融合配准方法
US20170337682A1 (en) * 2016-05-18 2017-11-23 Siemens Healthcare Gmbh Method and System for Image Registration Using an Intelligent Artificial Agent
CN107610193A (zh) * 2016-06-23 2018-01-19 西门子保健有限责任公司 使用深度生成式机器学习模型的图像校正
US20190122120A1 (en) * 2017-10-20 2019-04-25 Dalei Wu Self-training method and system for semi-supervised learning with generative adversarial networks
CN108268870A (zh) * 2018-01-29 2018-07-10 重庆理工大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
CN108447049A (zh) * 2018-02-27 2018-08-24 中国海洋大学 一种基于生成式对抗网络的数字化生理生物体分割方法
CN108550118A (zh) * 2018-03-22 2018-09-18 深圳大学 运动模糊图像的模糊处理方法、装置、设备及存储介质
CN109087327A (zh) * 2018-07-13 2018-12-25 天津大学 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
CN109377520A (zh) * 2018-08-27 2019-02-22 西安电子科技大学 基于半监督循环gan的心脏图像配准***及方法
CN109242865A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 基于多图谱的医学图像自动分区***、方法、装置及存储介质
CN109544517A (zh) * 2018-11-06 2019-03-29 中山大学附属第医院 基于深度学习的多模态超声组学分析方法及***
CN109493308A (zh) * 2018-11-14 2019-03-19 吉林大学 基于条件多判别生成对抗网络的医疗图像合成与分类方法
CN109637634A (zh) * 2018-12-11 2019-04-16 厦门大学 一种基于生成对抗网络的医学图像合成方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GEEKZW: "超声图像模拟", 《CSDN》 *
GIBSON, E; LI, WQ;: "NiftyNet: a deep-learning platform for medical imaging", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 *
VEDULA S , ET AL.: "Towards CT-quality Ultrasound Imaging using Deep Learning", 《ARXIV PREPRINT》 *
吴洋洋 等: "生成对抗网络的血管内超声图像超分辨率重建", 《南方医科大学学报》 *
孙博: "基于生成对抗网络的文本自动生成方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517249A (zh) * 2019-08-27 2019-11-29 中山大学 超声弹性图像的成像方法、装置、设备及介质
CN111091603A (zh) * 2019-11-04 2020-05-01 深圳先进技术研究院 一种超声成像方法、装置、可读存储介质及终端设备
WO2021120071A1 (zh) * 2019-12-18 2021-06-24 深圳迈瑞生物医疗电子股份有限公司 超声成像方法、超声成像***及计算机可读存储介质
CN114401676A (zh) * 2019-12-18 2022-04-26 深圳迈瑞生物医疗电子股份有限公司 超声成像方法、超声成像***及计算机可读存储介质
CN111402266A (zh) * 2020-03-13 2020-07-10 中国石油大学(华东) 一种构建数字岩心的方法及***
CN111489404A (zh) * 2020-03-20 2020-08-04 深圳先进技术研究院 一种图像重建方法、图像处理装置及具有存储功能的装置
CN111489404B (zh) * 2020-03-20 2023-09-05 深圳先进技术研究院 一种图像重建方法、图像处理装置及具有存储功能的装置
CN111444830A (zh) * 2020-03-25 2020-07-24 腾讯科技（深圳）有限公司 基于超声回波信号的成像的方法、装置、存储介质及电子装置
CN111444830B (zh) * 2020-03-25 2023-10-31 腾讯科技（深圳）有限公司 基于超声回波信号的成像的方法、装置、存储介质及电子装置
CN113470139A (zh) * 2020-04-29 2021-10-01 浙江大学 一种基于mri的ct图像重建方法
CN111798400A (zh) * 2020-07-20 2020-10-20 福州大学 基于生成对抗网络的无参考低光照图像增强方法及***
CN111798400B (zh) * 2020-07-20 2022-10-11 福州大学 基于生成对抗网络的无参考低光照图像增强方法及***
EP4198559A4 (en) * 2021-01-19 2024-05-22 Tencent Technology (Shenzhen) Company Limited ULTRASONIC ECHO-BASED OBJECT RECOGNITION METHOD AND APPARATUS AND STORAGE MEDIUM
CN113112559A (zh) * 2021-04-07 2021-07-13 中国科学院深圳先进技术研究院 一种超声图像的分割方法、装置、终端设备和存储介质
CN113239978A (zh) * 2021-04-22 2021-08-10 科大讯飞股份有限公司 医学图像预处理模型与分析模型的相关方法和装置
CN113239978B (zh) * 2021-04-22 2024-06-04 科大讯飞股份有限公司 医学图像预处理模型与分析模型的相关方法和装置
CN113436109A (zh) * 2021-07-08 2021-09-24 清华大学 一种基于深度学***面波超声成像方法
CN113436109B (zh) * 2021-07-08 2022-10-14 清华大学 一种基于深度学***面波超声成像方法
CN114739673A (zh) * 2022-03-18 2022-07-12 河北工业大学 一种轴承振动信号特征可解释性降维与故障诊断方法
CN116681790A (zh) * 2023-07-18 2023-09-01 脉得智能科技(无锡)有限公司 一种超声造影图像生成模型的训练方法及图像的生成方法
CN116681790B (zh) * 2023-07-18 2024-03-22 脉得智能科技(无锡)有限公司 一种超声造影图像生成模型的训练方法及图像的生成方法

Also Published As

Publication number Publication date
CN110074813B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN110074813A (zh) 一种超声图像重建方法及***
Tom et al. Simulating patho-realistic ultrasound images using deep generative networks with adversarial learning
US11354791B2 (en) Methods and system for transforming medical images into different styled images with deep neural networks
CN103908300B (zh) 诊断超声成像中的针增强
CN109978778A (zh) 基于残差学习的卷积神经网络医学ct图像去噪方法
EP3510564B1 (en) Ray-tracing methods for realistic interactive ultrasound simulation
Zhou et al. High spatial–temporal resolution reconstruction of plane-wave ultrasound images with a multichannel multiscale convolutional neural network
Magee et al. An augmented reality simulator for ultrasound guided needle placement training
US12033246B2 (en) Method and system for simultaneous quantitative multiparametric magnetic resonance imaging (MRI)
JP2012503501A (ja) 医用画像診断のシミュレーション
CN110503635B (zh) 一种基于异构数据融合网络的手骨x光片骨龄评估方法
CN110010229B (zh) 一种基于生成对抗网络的超声影像模拟方法
Tang et al. Plane-wave image reconstruction via generative adversarial network and attention mechanism
CN103229210A (zh) 图像配准装置
CN107847217A (zh) 用于生成超声散射体表示的方法和装置
WO2007100263A1 (en) Method for simulation of ultrasound images
CN109146857A (zh) 胸部ct影像的肺结节自检测方法
Brickson et al. Reverberation noise suppression in the aperture domain using 3D fully convolutional neural networks
US20210204904A1 (en) Ultrasound diagnostic system
Lozenski et al. Learned full waveform inversion incorporating task information for ultrasound computed tomography
CN108596900B (zh) 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备
CN107817492A (zh) 宽角合成孔径雷达的成像方法及装置
Starkov et al. Ultrasound simulation with animated anatomical models and on-the-fly fusion with real images via path-tracing
WO2007101346A1 (en) Ultrasound simulator and method of simulating an ultrasound examination
Amadou et al. Cardiac ultrasound simulation for autonomous ultrasound navigation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant