[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

本發明提供一種基于注意力學習機制的定量超聲定位顯微成像方法，針對現有超聲定位顯微成像技術中存在的不足，采用了結合注意力機制、殘差學習和上采樣操作的端到端的深度卷積神經網絡，基于該深度卷積神經網絡訓練得到定量超聲定位顯微成像模型，通過該模型準確恢復每一幀原始超聲圖像中的微泡幅值及位置信息，最后將所有幀的恢復結果進行疊加獲取與原始超聲圖像對應的定量超聲定位顯微成像圖。該方法將深度學習技術與超聲定位顯微成像相結合，顯著提高了超聲成像中對微泡幅值信號的解析能力，同時降低了超聲定位顯微成像的計算復雜度，避免了參數依賴，適用于定量超聲定位顯微成像。

技術領域

本發明屬于超聲成像技術領域，具體涉及一種基于注意力學習機制的定量超聲定位顯微成像方法。

背景技術

超聲成像可非侵入地對生物組織實現快速、無輻射成像，目前已得到廣泛應用。然而，受聲學衍射理論的限制，超聲成像的空間分辨率不高。為了解決該問題，超聲定位顯微成像技術被提出。對比傳統超聲成像，超聲定位顯微成像可將其成像空間分辨率提高一個量級，實現超高分辨超聲成像。然而，目前的超聲定位顯微成像技術僅關注對成像區域內的微泡位置信息進行定位，而無法對其幅值信息進行準確恢復，即無法實現定量成像。從某種角度而言，這限制了超聲定位顯微成像技術的進一步應用。

深度學習在圖像的超分辨重建領域具有重要應用潛力。簡要而言，深度學習方法通過訓練大量配對的數據集，可以學習低分辨圖像與高分辨圖像之間的端到端映射。基于訓練好的學習模型，可實現超分辨重建。在基于深度學習的方法中，注意力機制已被成功地用于提高重要特征處理的效率和準確性，相較于傳統的卷積神經網絡，該機制能夠針對特征的重要性進行針對性學習和提取。

發明內容

為解決上述問題，提供一種深度學習技術和超聲定位顯微成像結合的成像方法，本發明采用了如下技術方案：

本發明提供了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，將原始超聲圖像輸入至定量超聲定位顯微成像模型中，從而對原始超聲的每一幀圖像中微泡的幅值及位置信息進行準確恢復；步驟S5，將所有幀的恢復結果進行疊加獲取與原始超聲圖像對應的定量超聲定位顯微成像圖，其中，深度卷積神經網絡包含第一卷積層、多尺度注意力機制模塊以及亞像素卷積層。

本發明提供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，還可以具有這樣的技術特征，其中，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，θ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，將訓練數據和訓練標簽分別作為輸入和輸出，使用損失函數對深度卷積神經網絡采用Adam優化算法進行優化遍歷訓練，從而得到定量超聲定位顯微成像模型。

本發明提供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，還可以具有這樣的技術特征，其中，在優化遍歷訓練中，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。