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技术

本申请提供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，应用于图像处理技术领域，其中，超声造影图像生成模型的训练方法包括：获取训练数据集；其中，训练数据集包括灰阶超声样本图像以及超声造影真实图像；将灰阶超声样本图像输入数据增强网络中，得到数据增强网络输出的第一随机噪声；利用训练数据集以及第一随机噪声对生成对抗网络进行训练，得到训练好的生成对抗网络，并将训练好的生成对抗网络中的生成器确定为超声造影图像生成模型。在上述方案中，与现有技术中传统的获取超声造影图像的方式相比，利用上述数据增强网络以及超声造影图像生成模型生成超声造影图像，可以提高获取到的超声造影图像的准确性。可以提高获取到的超声造影图像的准确性。可以提高获取到的超声造影图像的准确性。

【技术实现步骤摘要】
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


[0001]本申请涉及图像处理
，具体而言，涉及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。

技术介绍

[0002]超声(Ultrasound，US)成像是现代医学成像技术的重要组成部分，其中，超声造影(Contrast
‑
Enhanced Ultrasound,CEUS)是近20年来蓬勃发展的超声新技术。CEUS是在常规超声检查的基础上，通过静脉注射超声造影剂，利用血液中造影剂气体微泡来增强组织内微血管的显示，实时动态地观察正常组织和病变组织的血流灌注情况。CEUS提供了不同于其他超声方式的独特信息，并且在诊断许多疾病，尤其是肿瘤方面发挥着越来越重要的作用，具有重要的临床价值。
[0003]然而，CEUS也有其局限性。首先，CEUS无法获取电子计算机断层扫描(Computed Tomography，CT)或磁共振成像(Magnetic Resonance Imaging，MRI)的宽幅图像，在观察多个病灶时，需要反复多次注入造影剂；其次，扫查组织本身的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超声造影图像生成模型的训练方法，其特征在于，包括：获取训练数据集；其中，所述训练数据集包括灰阶超声样本图像以及超声造影真实图像；将所述灰阶超声样本图像输入数据增强网络中，得到所述数据增强网络输出的第一随机噪声；利用所述训练数据集以及所述第一随机噪声对生成对抗网络进行训练，得到训练好的生成对抗网络，并将所述训练好的生成对抗网络中的生成器确定为超声造影图像生成模型。2.根据权利要求1所述的超声造影图像生成模型的训练方法，其特征在于，所述数据增强网络为自动编码网络。3.根据权利要求2所述的超声造影图像生成模型的训练方法，其特征在于，所述自动编码网络包括编码器、第一鉴别器以及第一生成器；所述将所述灰阶超声样本图像输入数据增强网络中，得到所述数据增强网络输出的第一随机噪声，包括：将所述灰阶超声样本图像输入所述编码器中，得到所述编码器输出的嵌入向量；利用所述第一鉴别器以及所述嵌入向量生成对应的随机采样向量；将所述随机采样向量输入所述第一生成器中，得到所述第一生成器输出的所述第一随机噪声。4.根据权利要求1
‑
3任一项所述的超声造影图像生成模型的训练方法，其特征在于，所述生成对抗网络包括第二生成器以及第二鉴别器；所述利用所述训练数据集以及所述第一随机噪声对生成对抗网络进行训练，得到训练好的生成对抗网络，包括：将所述训练数据集以及所述第一随机噪声输入所述第二生成器中，得到超声造影预测图像，并根据所述超声造影真实图像以及所述超声造影预测图像计算所述生成器的生成损失值；将所述超声造影真实图像以及所述超声造影预测图像输入所述第二鉴别器中，得到对应的鉴别结果，并根据所述鉴别结果计算所述第二鉴别器的鉴别损失值；根据所述生成损失值以及所述鉴别损失值对所述生成器以及所述第二鉴别器进行优化，得到所述训练好的生成对抗网络。5.根据权利要求4所述的超声造影图像生成模型的训练方法，其特征在于，在所述根据所述生成损失值以及所述鉴别损失值对所述生成器以及所述第二鉴别器进行优化，得到所述训练好的生成对抗网络之前，所述方法还包括：确定所述超声造影真实图像中的第一肿瘤区域以及所述超声造影预测图像中的第二肿瘤区域，并根据所述第一肿瘤区域以及所述第二肿瘤区域计算所述生成对抗网络的肿瘤区域相似度损失值；所述根据所述生成损失值以及所述鉴别损失值对所述生成器以及所述第二鉴别器进行优化，得到所述训练好的生成对抗网络，包括：根据所述生成损失值、所述鉴别损失值以...

【专利技术属性】
技术研发人员：石一磊，曹旭，胡敬良，牟立超，侯雨，陈咏虹，
申请(专利权)人：脉得智能科技无锡有限公司，
类型：发明
国别省市：