[發明專利]一種基于注意力學習機制的定量超聲定位顯微成像方法

在審

• 申請號: 202210186208.1
• 申請日: 2022-02-28
• 公開（公告）號: CN114557719A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 劉欣;李博藝;劉成成;他得安
• 申請（專利權）人: 復旦大學
• 主分類號: A61B8/00
• 分類號: A61B8/00;G06N3/04;G06N3/08
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 程宗德

1.一種基于注意力學習機制的定量超聲定位顯微成像方法，其特征在于，包括以下步驟：

步驟S1，構建基于注意力機制的深度卷積神經網絡；

步驟S2，訓練所述深度卷積神經網絡得到定量超聲定位顯微成像模型；

步驟S3，獲取待成像的原始超聲圖像序列，每幀原始超聲圖像中含隨機分布的微泡；

步驟S4，將所述原始超聲圖像輸入至所述定量超聲定位顯微成像模型中，從而對所述原始超聲的每一幀圖像中所述微泡的幅值及位置信息進行恢復；

步驟S5，將所有幀的恢復結果進行疊加獲取與所述原始超聲圖像對應的定量超聲定位顯微成像圖，

其中，所述深度卷積神經網絡包含卷積層、多尺度注意力機制模塊以及亞像素卷積層。

2.根據權利要求1所述的一種基于注意力學習機制的定量超聲定位顯微成像方法，其特征在于：

其中，所述步驟S2包括以下子步驟：

步驟S2-1，基于超聲成像系統獲取訓練數據以及訓練標簽；

步驟S2-2，基于MSE結合L₁正則化和結構相似性指標構建損失函數：

式中，是訓練標簽，是網絡的預測輸出圖像，N是網絡每次優化遍歷的小批量圖像數量，λ₁、λ₂為加權系數；

步驟S2-3，將所述訓練數據和所述訓練標簽分別作為輸入和輸出，使用所述損失函數對所述深度卷積神經網絡采用Adam優化算法進行優化遍歷訓練，從而得到所述定量超聲定位顯微成像模型。

3.根據權利要求2所述的一種基于注意力學習機制的定量超聲定位顯微成像方法，其特征在于：

其中，在所述優化遍歷訓練中，訓練周期為500，網絡每次優化遍歷的小批量圖像數量N為50，初始學習率為0.001。

4.根據權利要求2所述的一種基于注意力學習機制的定量超聲定位顯微成像方法，其特征在于：

其中，所述訓練數據的獲取過程如下：

步驟S2-1-1，基于所述超聲成像系統，對原始圖像的成像區域內的單個微泡進行多次成像，并計算多次成像結果中的所述單個微泡的平均橫向半高寬FHWM_x與平均縱向半高寬FHWM_y；

步驟S2-1-2，基于所述平均橫向半高寬FHWM_x與平均縱向半高寬FHWM_y，計算獲取橫向標準差δ_x與縱向標準差δ_y：

步驟S2-1-3，基于所述橫向標準差δ_x與縱向標準差計算獲取所述超聲成像系統的點擴散函數模型：

式中，H(x,y)為代表點擴散函數，σ_x和σ_y分別是橫向標準差與縱向標準差，f表示超聲發射頻率，c表示聲速；

步驟S2-1-4，在第一預定像素的網格區域中生成隨機分布的n個不同亮度的微泡；

步驟S2-1-5，利用前向模型通過在所述n不同亮度微泡的真實位置處根據所述點擴散函數模型H(x,y)進行卷積從而模擬超聲成像過程，獲得無噪聲顯微仿真圖像；

步驟S2-1-6，將不同信噪比的高斯白噪聲添加至所述無噪聲顯微仿真圖像得到所述訓練數據，將所述無噪聲顯微仿真圖像中的微泡分布信息映射至第二預定像素的網格區域后作為所述訓練標簽。

5.根據權利要求4所述的一種基于注意力學習機制的定量超聲定位顯微成像方法，其特征在于：

其中，所述第一預定像素為64x64，所述第二預定像素為256x256。

6.根據權利要求4所述的一種基于注意力學習機制的定量超聲定位顯微成像方法，其特征在于：

其中，所述高斯白噪聲的數值范圍為5dB至25dB。