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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。