基于深度学习的优化超声成像系统参数的方法技术方案

本发明专利技术提供一种基于深度学习的优化超声成像系统参数的方法，包括以下步骤：步骤1：收集用于训练神经网络的样本，样本包括超声图像样本I、以及采集这超声些图像样本时超声成像系统所使用的相应超声成像系统参数向量样本P；步骤2：建立神经网络模型并使用步骤1收集到的样本训练神经网络至收敛，得到训练好得神经网络系统onn；步骤3：以原始的超声成像系统参数向量p或者原始超声图像作为输入输入到步骤2训练好的神经网络系统onn中，此时从onn输出端获得的参数就是优化的超声成像系统参数向量ep=onn(p)。本发明专利技术实现通过优化超声成像系统参数来提高超声图像质量的目的。

A Method of Optimizing the Parameters of Ultrasound Imaging System Based on Deep Learning

The invention provides a method for optimizing parameters of ultrasonic imaging system based on depth learning, which includes the following steps: step 1: collecting samples for training neural network, including samples of ultrasonic images I, and corresponding vector samples P of parameters of ultrasonic imaging system used in collecting these image samples; step 2: establishing neural network model and using it. The sample collected in step 1 trains the neural network to converge and gets the well-trained neural network system onn. Step 3: Input the original parameter vector p of the ultrasound imaging system or the original ultrasound image into the neural network system onn trained in step 2. At this time, the parameters obtained from the output of onn are the optimized parameter vector EP = onn (p). The invention realizes the purpose of improving the quality of the ultrasound image by optimizing the parameters of the ultrasound imaging system.

【技术实现步骤摘要】
基于深度学习的优化超声成像系统参数的方法
本专利技术涉及医疗超声成像系统，尤其是一种优化超声成像系统参数的方法。
技术介绍
超声图像因具有无侵入、价格低、成像快等优点在临床中得到广泛应用。但由于超声成像的物理特性，影像图像的参数很多，为了获得一张想要的超声图像，需要调整很多参数，使用人员调整起来还是比较繁琐。目前，超声诊断设备上大都提供了预设值(Presets)对个成像参数进行预设值的设置。预设值是一个包含所有可控的成像参数的实体集合。常用的成像参数大致可以分为三类：图像获取参数、显示参数、信号处理参数。图像获取参数主要控制发射电路、接收电路、换能器、波束合成等前端模块，这些参数可以控制图像的亮度、对比度、分辨率、穿透率等性质，比如当图像偏暗的时候，可以适当增大增益参数，使图像整体变亮，如果需要精确控制图像上区间的亮度，可以控制多个时间补偿增益来控制不同区间的图像的亮度。显示参数主要控制图像处理器、显示器等后端模块，这些参数主要影响最终图像显示的亮度、对比度、放大缩小倍数、伪彩显示等；信号处理参数主要控制信号处理和图像处理器模块，用来对波束合成后的信号作各种滤波处理，这些参数的取值对图像效果有这比较大的影响。随着社会技术的发展，深度学习技术在其他领域有一定进展，但是在医疗超声领域，由于超声系统的复杂性，深度学习技术在医疗器械领域目前仍存在一些缺陷，仍然不能根据当前的图像快速、准确、智能的调整当前的预设值等缺点。
技术实现思路
本专利技术的目的在于克服现有技术中存在的不足，提供一种基于深度学习的优化超声成像系统参数的方法，可被用于超声成像；本专利技术通过训练人工神经网络，在图像质量与超声成像系统参数之间建立映射关系，从而实现通过优化超声成像系统参数来提高超声图像质量的目的。本专利技术采用的技术方案是：一种基于深度学习的优化超声成像系统参数的方法，包括以下步骤：步骤1：收集用于训练神经网络的样本，样本包括超声图像样本I、以及采集这超声些图像样本时超声成像系统所使用的相应超声成像系统参数向量样本P；步骤2：建立神经网络模型并使用步骤1收集到的样本训练神经网络至收敛，得到训练好得神经网络系统onn；步骤3：以原始的超声成像系统参数向量p或者原始超声图像作为输入输入到步骤2训练好的神经网络系统onn中，此时从onn输出端获得的参数就是优化的超声成像系统参数向量ep＝onn(p)。本专利技术的优点在于：本专利技术借助深度学习来优化超声成像系统参数，在图像质量与超声成像系统参数之间建立映射关系，从而实现通过优化超声成像系统参数来提高图像质量的目的。附图说明图1为本专利技术的系统框图。图2为本专利技术的总体实施流程图。图3为本专利技术的实施例一中训练DCGAN网络示意图。图4为本专利技术的实施例一中训练多模DBM示意图。图5为本专利技术的实施例一中应用阶段神经网络系统示意图。图6为本专利技术的实施例二中训练多模DBM示意图。图7为本专利技术的实施例二中获得优化预设值参数向量EP示意图。图8为本专利技术的实施例二中训练全连接神经网络示意图。图9为本专利技术的实施例三中训练全连接型自动编码器示意图。图10为本专利技术的实施例三中训练卷积型自动编码器示意图。图11为本专利技术的实施例三中训练全连接神经网络DNN-T示意图。图12为本专利技术的实施例三中通过神经网络系统获得优化的预设值参数样本集EP示意图。图13为本专利技术的实施例三中训练全连接神经网络DNN示意图。图14为本专利技术的实施例四中训练DCGAN网络示意图。图15为本专利技术的实施例四中训练全连接型自动编码器示意图。图16为本专利技术的实施例四中训练卷积型自动编码器示意图。图17为本专利技术的实施例四中训练全连接神经网络DNN-T示意图。图18为本专利技术的实施例四中组合神经网络系统示意图。图19为本专利技术的实施例五中训练DCGAN生成器网络示意图。图20为本专利技术的实施例五中训练多模DBM示意图。图21为本专利技术的实施例五中组合神经网络系统示意图。图22为本专利技术的实施例六中获取矩阵OIO、EIO、MO、ME示意图。图23为本专利技术的实施例六中训练解卷积网络示意图。图24为本专利技术的实施例六中通过解卷积网络优化输入示意图。图25为本专利技术的实施例七中通过LeNet获得训练数据示意图。图26为本专利技术的实施例七中训练解卷积网络示意图。图27为本专利技术的实施例七中通过解卷积网络优化输入的预设值参数示意图。图28为本专利技术的实施例的预设值相关的参数示意图。具体实施方式下面结合具体附图和实施例对本专利技术作进一步说明。本专利技术的技术方案的系统框图参见图1所示，图2显示了本技术方案的实施流程图。一种基于深度学习的优化超声成像系统参数的方法，包括以下步骤：步骤1：收集用于训练神经网络的样本N组，样本包括但不限于超声图像样本I、以及采集这超声些图像样本时超声成像系统所使用的相应超声成像系统参数向量样本P；步骤2：建立神经网络模型并使用步骤1收集到的样本训练神经网络至收敛，得到训练好得神经网络系统onn；步骤3：以原始的超声成像系统参数向量p或者原始超声图像作为输入输入到步骤2训练好的神经网络系统onn中，此时从onn输出端获得的参数就是优化的超声成像系统参数向量ep＝onn(p)。实施例1；将本技术方案具体分为训练阶段和应用阶段依次执行，各个阶段步骤如下：训练阶段：步骤101：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI(含1000张图像)与预设值参数样本集OP(含1000组预设值参数)；步骤102：获取OI对应的优化图像样本集EI(含1000张与OI中每个图像内容一致但质量更优的图像)；步骤103：使用OI与EI训练如图3所示的DCGAN(深度卷积生成式对抗网络)直至DCGAN的生成器网络能够在给定原始超声图像的情况下输出相应的优化图像，从而获得训练好的DCGAN；DCGAN包括生成器网络和鉴别器网络；OI样本输入到生成器网络，通过生成器网络生成与OI样本对应的图像，然后鉴别器网络把生成器网络生成的图像与相应EI样本进行一致性比较；步骤104：使用OP与OI训练如图4所示的多模DBM(深度玻尔兹曼机)至收敛，从而获得训练好的多模DBM；多模DBM包括卷积DBM、普通DBM，以及联系卷积DBM、普通DBM的共享隐层；OI输入卷积DBM，OP输入普通DBM，共享隐层建立OI与OP两种信息之间的联系；应用阶段：步骤a101，取训练阶段步骤103训练好的DCGAN的生成器网络部分，同时取得训练阶段步骤104训练好的多模DBM，组成如图5所示的人工神经网络系统；生成器网络的输出端连接卷积DBM的输入端；步骤a102，向图5中生成器网络输入端即图像端输入原始超声图像，普通DBM的参数向量端输出优化后的超声成像系统参数向量(即优化的预设值参数向量)。具体步骤101的超声成像系统参数的集合如下：发射功率p1、发射频率p2、接受频率p3、波束密度p4、穿透深度p5、总增益p6、时间增益补偿p7、焦点位置p8、脉冲重复频率p9、动态范围p10、图像分辨率p11、边缘增强p12等，p1—p12代表各自的参数大小此时获得此时预设值集合下的超声图像。实施例2；将本本文档来自技高网...

【技术保护点】
1.一种基于深度学习的优化超声成像系统参数的方法，其特征在于，包括以下步骤：步骤1：收集用于训练神经网络的样本，样本包括超声图像样本I、以及采集这超声些图像样本时超声成像系统所使用的相应超声成像系统参数向量样本P；步骤2：建立神经网络模型并使用步骤1收集到的样本训练神经网络至收敛，得到训练好得神经网络系统onn；步骤3：以原始的超声成像系统参数向量p或者原始超声图像作为输入输入到步骤2训练好的神经网络系统onn中，此时从onn输出端获得的参数就是优化的超声成像系统参数向量ep=onn(p)。

【技术特征摘要】
1.一种基于深度学习的优化超声成像系统参数的方法，其特征在于，包括以下步骤：步骤1：收集用于训练神经网络的样本，样本包括超声图像样本I、以及采集这超声些图像样本时超声成像系统所使用的相应超声成像系统参数向量样本P；步骤2：建立神经网络模型并使用步骤1收集到的样本训练神经网络至收敛，得到训练好得神经网络系统onn；步骤3：以原始的超声成像系统参数向量p或者原始超声图像作为输入输入到步骤2训练好的神经网络系统onn中，此时从onn输出端获得的参数就是优化的超声成像系统参数向量ep=onn(p)。2.如权利要求1所述的基于深度学习的优化超声成像系统参数的方法，其特征在于，该方法具体包括：训练阶段：步骤101，从超声设备上随机选择超声成像系统参数预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；步骤102：获取OI对应的优化图像样本集EI；步骤103：使用OI与EI训练一个DCGAN直至DCGAN的生成器网络能够在给定原始超声图像的情况下输出相应的优化图像，从而获得训练好的DCGAN；DCGAN包括生成器网络和鉴别器网络；OI样本输入到生成器网络，通过生成器网络生成与OI样本对应的图像，然后鉴别器网络把生成器网络生成的图像与相应EI样本进行一致性比较；步骤104：使用OP与OI训练一个多模DBM至收敛，从而获得训练好的多模DBM；多模DBM包括卷积DBM、普通DBM，以及联系卷积DBM、普通DBM的共享隐层；OI输入卷积DBM，OP输入普通DBM，共享隐层建立OI与OP两种信息之间的联系；应用阶段：步骤a101，取训练阶段步骤103训练好的DCGAN的生成器网络部分，同时取得训练阶段步骤104训练好的多模DBM，组成人工神经网络系统；生成器网络的输出端连接卷积DBM的输入端；步骤a102，向生成器网络输入端即图像端输入原始超声图像，普通DBM的参数向量端输出优化后的超声成像系统参数向量。3.如权利要求1所述的基于深度学习的优化超声成像系统参数的方法，其特征在于，该方法具体包括：训练阶段：步骤201：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；步骤202：获取OI对应的优化图像样本集EI；步骤203：使用OI样本集与OP样本集训练一个多模DBM至收敛，从而获得训练好的多模DBM；多模DBM包括卷积DBM、普通DBM，以及联系卷积DBM、普通DBM的共享隐层；OI输入卷积DBM，OP输入普通DBM，共享隐层建立OI与OP两种信息之间的联系；步骤204：向步骤203中训练好的多模DBM的卷积DBM输入端输入样本集EI，此时多模DBM在预设值参数端即普通DBM的参数向量端输出的结果就是相应的优化预设值参数向量EP；步骤205：使用OP作为输入、EP作为输出训练一个全连接神经网络DNN；应用阶段：步骤a201，向训练阶段步骤205中获得的训练好的全连接神经网络DNN输入端输入预设值参数向量，此时输出端得到的向量即为优化的超声成像系统参数向量。4.如权利要求1所述的基于深度学习的优化超声成像系统参数的方法，其特征在于，该方法具体包括：训练阶段：步骤301：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；步骤302：获取OI对应的优化图像样本集EI；步骤303：使用预设值参数样本集OP训练一个全连接型自动编码器DNN-AutoEncoder；全连接型自动编码器包括级联的全连接型编码器和全连接型解码器；全连接型编码器用于将高维度的输入信息压缩到低维空间，全连接型解码器用于将压缩后的低维空间信息转换回到原来的高维空间；步骤304：使用图像样本集OI训练一个卷积型自动编码器CNN-AutoEncoder；卷积型自动编码器包括级联的卷积型编码器和卷积型解码器；卷积型编码器用于将高维度的输入信息压缩到低维空间，卷积型解码器用来将压缩后的低维空间信息转换回到原来的高维空间；步骤305：分别向步骤304中训练好的CNN-AutoEncoder的卷积型编码器输入OI，获得其输出MI，同时向步骤303中DNN-AutoEncoder的全连接编码器输入OP，获得其输出MP，使用MI作为输入，而MP作为输出训练全连接神经网络DNN-T；步骤306：由CNN-AutoEncoder卷积型编码器部分、DNN-AutoEncoder全连接型解码器部分以及DNN-T构成一个神经网络系统，CNN-AutoEncoder卷积型编码器部分连接DNN-T，DNN-T连接DNN-AutoEncoder全连接型解码器部分；向该神经网络系统CNN-AutoEncoder的卷积型编码器端输入EI样本集，并在该神经网络系统的DNN-AutoEncoder的全连接型解码器输出端获得优化的预设值参数样本集EP；步骤307：使用步骤301获得的预设值参数样本集OP和步骤306获得的优化的预设值参数样本集EP训练一个全连接神经网络DNN，直至网络收敛；应用阶段：步骤a301：向训练阶段步骤307获得的DNN输入预设值参数向量，在输出端得到的即是优化的超声成像系统参数向量。5.如权利要求1所述的基于深度学习的优化超声成像系统参数的方法，其特征在于，该方法具体包括：训练阶段：步骤401：从超声设备上随机选择超声成像系统参数的预设值，并且每选择一个预设值就在该预设值条件下采集一张超声图像，保存超声图像并一并记录下采集该超声图像时所采用的预设值参数，从而分别获得图像样本集OI与预设值参数样本集OP；步骤402：获取OI对应的优化图像样本集EI；步骤403：使用样本集...

【专利技术属性】
技术研发人员：张智伟，赵明昌，陆坚，
申请(专利权)人：无锡祥生医疗科技股份有限公司，
类型：发明
国别省市：江苏,32