基于深度学习的超声射频信号重建成图像的方法研究
作者单位:深圳大学
学位级别:硕士
导师姓名:陈昕;王丛知
授予年度:2020年
学科分类:0831[工学-生物医学工程(可授工学、理学、医学学位)] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术(可授医学、理学学位)] 080203[工学-机械设计及理论] 0802[工学-机械工程] 10[医学]
主 题:深度学习 超声射频信号 图像重建 迁移学习 生成对抗网络
摘 要:超声射频信号是从换能器处获取的回波信号经过前置放大,A/D变换和波束合成后得到的信号,由于其包含比较完整的声场以及组织相互作用信息,在超声设备中将射频信号作为超声图像重建的原始信号。由于在传统的超声成像过程中涉及多个步骤,每个步骤都需要设置许多参数,特别是图像后处理部分,不同厂商的超声成像系统采用不同方法,其成像风格、质量不尽相同而且都根据自己的经验来进行调参。因此提出一种通用的新型超声成像方法,不仅可以替代传统重建过程中需要人工调参的步骤而且能够达到超声设备的成像水平是非常有意义的。本论文目标是实现从射频信号到超声灰阶图像的完整重建过程,本文使用深度方法设计一种端对端的重建模型,该模型输入射频信号的包络信息,输出超声图像。本文先对射频信号进行预处理操作,获取到信号的包络,然后使用基于监督学习的条件生成对抗网络,学习从包络图像到超声图像的映射过程,将学习好之后的网络作为重建模型。网络训练使用的射频数据包括使用Field II仿真数据,仿体数据和人体数据,其中仿体和人体数据是在两台不同品牌超声设备上采集得到的,目的在于验证重建模型在不同超声设备上都具有重建能力。同时本文使用迁移学习的方法,在仿真数据上训练得到的重建模型迁移至仿体数据上进行训练,再将仿体的模型迁移至人体数据上。同时用仿真,仿体和人体数据的测试集,对各自训练好的重建模型进行测试,并且用在人体数据上训练的模型在外部数据集上进行测试。本文将网络重建的图像以及传统方法重建的图像分别与超声设备采集的B-mode图像计算相似度,在仿体,人体和外部数据上重建网络的结构相似性(SSIM)分别为0.82、0.63、0.55;传统方法分别为0.47、0.32、0.30。在两台不同设备上用网络重建的图像之间SSIM相差0.07,而传统方法相差0.11。从结果中得出,本文提出的基于深度学习的重建方法,无论在仿体、人体或外部数据上都优于传统重建方法,在仿体数据上重建的图像质量非常接近B-mode图像,在人体和外部数据上,图像的结构轮廓信息以及空间位置信息都能很好重建出来,并且在两台超声设备上都可以达到相近的重建质量。所以本文提出的基于深度学习的重建方法可以替代部分传统重建方法步骤而且比较接近超声设备成像水平。