[发明专利]一种基于自监督学习的超声图像模拟方法

说明书

本发明提供一种基于自监督学习的超声图像模拟方法，包括以下步骤：首先，在CT图像或者MR图像中得到切片，得到切片后根据图像的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；通过大量的Field II模拟的超声图像训练模型，当模型收敛后，使用训练好的模型来实时模拟超声图像。本发明采用了一种新的空间相关性损失，它简单、高效，在支持未配对图像到图像转换过程中较大的外观变化的同时，仍能有效地保持结构的一致性。本发明能够实时的完成超声图像模拟，得到的图像相对于传统卷积法效果更逼真，耗时短，具有较好的临床应用。

技术领域

本发明涉及医学图像处理技术领域，特别是涉及一种基于自监督学习的超声图像模拟方法。

背景技术

超声检查由于具有实时，占地小，检查方便，无辐射，价格便宜等优势，在医学诊断及治疗中得到了广泛的应用。特别是各大医院的影像科，体检科等都配备有大量的超声设备，需要大量精通相关超声检查的医生。但另一方面，因为超声同CT以及MRI相比有分辨率低和信噪比等低的缺点，培训合格的超声科专业医生对于提高超声诊断的精确性尤其重要。

波传播、卷积和基于光线的方法是超声模拟的三种主要技术。基于波的方法通过求解复杂的声波方程来模拟超声在组织中的传播。因此，这些方法相对较慢，不适合实时应用。基于卷积的方法将超声相互作用近似为空间脉冲响应[点扩散函数(PSF)]，然后在假设声场是线性的情况下，将其与亚波长组织结构(称为散射体)的表示进行卷积。这可以逼真地再现典型的超声噪声纹理，称为散斑。一方面，散斑可以被视为降低组织对比度的噪声，但另一方面，它可以帮助区分组织和识别病理。恢复这种颗粒图案不仅对于模拟场景中的视觉真实感很重要，而且对于保存有关组织的结构和诊断信息也很重要。基于光线的方法使用计算机图形技术将超声波波前的传播模拟为光线，该技术可以模拟折射和反射等交互作用，同时使用PSF卷积和代表散射体的纹理来模拟散斑。

现在已有几个完善的超声模拟器（例如Field II，Focus和k-Wave），但它们还不能完全适用于当下环境，且通常计算量大，不能实时生成超声图像。例如，在Field II中，在使用16个CPU的并行计算通常需要20小时才能获得合理大小的B模式图像，计算速度较慢。因为配对的CT图像和超声图像的数据标签难以获得，所以通过有监督训练模拟超声图像比较难以开展。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于自监督学习的超声图像模拟方法，使用自监督网络快速、真实的模拟超声影像，解决了在医学超声影像模拟领域中，对于模拟得到的超声影像不能够高质量的实时成像问题。

本发明的目的是通过以下技术方案来实现的：一种基于自监督学习的超声图像模拟方法，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。

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。

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。

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。