一种基于深度学习的造影区域检测成像方法技术

本发明专利技术提出一种基于深度学习的造影区域检测成像方法。S1、随机选取的若干个原始超声RF图像，将其每一扫描线上的信号分段，得到若干等长的一维RF信号段；S2、用RF信号段训练、测试卷积神经网络；S3、将实测物体每一扫描线的RF信号分为等长的一维实测RF信号段，并输入所训练好的卷积神经网络；S4、将标签为组织信号的一维实测RF信号段中部的P个成像点置为0；S5、重组一维实测RF信号段得到预成像；S6、采用微泡母小波变换提高预成像中微泡图像亮度；S7、采用特征空间最小方差算法提高图像对比度。本发明专利技术将深度学习的理念应用到超声RF信号的分类中，能更有效地滤除组织干扰，进一步提升了医学临床诊断的准确性。

An imaging method of contrast region detection based on depth learning

【技术实现步骤摘要】
一种基于深度学习的造影区域检测成像方法
本专利技术涉及图像分割领域，特别涉及一种基于深度学习的造影区域检测成像方法。
技术介绍
超声造影剂由大量微气泡构成，可以增强超声背散射信号的同时，使回波信号产生丰富的谐波成分。向人体注射超声造影剂，有助于提高超声图像质量，赋予超声诊断识别细小病变的能力。近年来出现了一系列造影成像新方法(谐波成像、双脉冲发射成像、编码脉冲成像、微泡母小波技术)，这些方法大都基于一个原则：在充分提取微泡的谐波成分的同时，滤除来自组织的基波成分，以提高造影图像对比度。但是现有技术，由于是同时完成提取微泡信号成分与滤除组织信号成分，方法本身要兼顾两者，因此对各自的针对性不强，在组织信号过强的时候对组织信号滤除效果比较差，影响了最终输出的造影成像的质量。
技术实现思路
本专利技术的目的是提供一种基于深度学习的造影区域检测成像方法，将深度学习的理念应用到超声RF(射频RadioFrequency)信号的分类中，通过卷积神经网络，初步区分造影成像的原始超声RF图像中的微泡信号和组织信号，得到造影的预成像；然后再通过微泡母小波成像方法、波束形成算法针对预成像进一步提高微泡信号的成本文档来自技高网...

【技术保护点】
1.一种基于深度学习的造影区域检测成像方法，造影成像的超声RF图像由从左至右若干条扫描线上的RF信号组成，其特征在于，所述造影区域检测成像方法包含步骤：S1、随机选取若干个造影成像的原始超声RF图像并分为两组，建立实验数据集；将所述原始超声RF图像每条扫描线上的RF信号从上至下依序分段，获得若干个一维且等长的RF信号段；所述RF信号段包含n个连续的成像点，相邻的RF信号段间隔m个连续的成像点，一个成像点对应一个RF信号；S2、建立分类标签集合Y＝{组织信号，微泡信号}；将从第一组原始超声RF图像提取的RF信号段输入卷积神经网络，得到训练好的卷积神经网络；将第二组原始超声RF图像的RF信号段输入...

【技术特征摘要】
1.一种基于深度学习的造影区域检测成像方法，造影成像的超声RF图像由从左至右若干条扫描线上的RF信号组成，其特征在于，所述造影区域检测成像方法包含步骤：S1、随机选取若干个造影成像的原始超声RF图像并分为两组，建立实验数据集；将所述原始超声RF图像每条扫描线上的RF信号从上至下依序分段，获得若干个一维且等长的RF信号段；所述RF信号段包含n个连续的成像点，相邻的RF信号段间隔m个连续的成像点，一个成像点对应一个RF信号；S2、建立分类标签集合Y＝{组织信号，微泡信号}；将从第一组原始超声RF图像提取的RF信号段输入卷积神经网络，得到训练好的卷积神经网络；将第二组原始超声RF图像的RF信号段输入所述训练好的卷积神经网络，测试所述训练好的卷积神经网络；S3、对实测物体进行造影，并依序对实测物体每一扫描线上的RF信号分段，获取若干个等长的一维实测RF信号段；每个实测RF信号段包含n个连续的成像点，相邻的实测RF信号段间隔m个连续的成像点；S4、将所述实测RF信号段输入所述训练好的卷积神经网络，当实测RF信号段的分类标签为组织信号时，零化该实测RF信号段中部P个成像点；S5、按扫描线重组所述实测RF信号段，得到实测物体的二维预成像；S6、采用微泡母小波成像方法，提高所述预成像中微泡成像点的亮度；S7、采用波束形成算法，提高步骤S6所得...

【专利技术属性】
技术研发人员：余锦华，汪源源，邓寅晖，童宇宸，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海,31