[發(fā)明專(zhuān)利]一種基于人工智能的超聲圖像優(yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210515905.7
• 申請(qǐng)日: 2022-05-12
• 公開(kāi)（公告）號(hào): CN114820378A
• 公開(kāi)（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 安孝文;邵西良
• 申請(qǐng)（專(zhuān)利權(quán)）人: 亳州聯(lián)岐醫(yī)療科技有限公司
• 主分類(lèi)號(hào): G06T5/00
• 分類(lèi)號(hào): G06T5/00;G06T5/30;G06T7/00;G06T7/13;G06N3/04;G06N3/08
• 代理公司: 合肥律眾知識(shí)產(chǎn)權(quán)代理有限公司 34147
• 代理人: 朱波

1.一種基于人工智能的超聲圖像優(yōu)化方法，其特征在于：包括以下步驟：

S1、提取超聲圖像中的結(jié)構(gòu)信息，將超聲圖像分成結(jié)構(gòu)特征圖和組織特征圖；

S2、將結(jié)構(gòu)特征圖輸入特征優(yōu)化網(wǎng)絡(luò)，得到優(yōu)化結(jié)構(gòu)特征圖；

S3、對(duì)組織特征圖進(jìn)行組織平滑優(yōu)化，得到優(yōu)化組織特征圖；

S4、對(duì)超聲圖像、優(yōu)化結(jié)構(gòu)特征圖和優(yōu)化組織特征圖進(jìn)行圖像融合得到優(yōu)化超聲圖像。

2.根據(jù)權(quán)利要求1所述的基于人工智能的超聲圖像優(yōu)化方法，其特征在于：S1中提取超聲圖像中的結(jié)構(gòu)信息，將超聲圖像分成結(jié)構(gòu)特征圖和組織特征圖，包括：

通過(guò)邊緣提取方法提取超聲圖像I中的結(jié)構(gòu)信息，將超聲圖像I分成結(jié)構(gòu)特征圖S和組織特征圖T。

3.根據(jù)權(quán)利要求2所述的基于人工智能的超聲圖像優(yōu)化方法，其特征在于：S2中將結(jié)構(gòu)特征圖輸入特征優(yōu)化網(wǎng)絡(luò)，得到優(yōu)化結(jié)構(gòu)特征圖，包括：

對(duì)結(jié)構(gòu)特征圖S使用膨脹算法，得到中間結(jié)構(gòu)特征圖S’；

將中間結(jié)構(gòu)特征圖S’輸入特征優(yōu)化網(wǎng)絡(luò)，得到優(yōu)化結(jié)構(gòu)特征圖S”。

4.根據(jù)權(quán)利要求3所述的基于人工智能的超聲圖像優(yōu)化方法，其特征在于：所述特征優(yōu)化網(wǎng)絡(luò)包括編碼模塊、解碼模塊和自注意力級(jí)聯(lián)模塊，所述編碼模塊由Densenet模塊組成，所述解碼模塊由Conv2+TransportConv2d組成，所述自注意力級(jí)聯(lián)模塊為特征選通自注意力級(jí)聯(lián)模塊。

5.根據(jù)權(quán)利要求4所述的基于人工智能的超聲圖像優(yōu)化方法，其特征在于：所述特征優(yōu)化網(wǎng)絡(luò)的訓(xùn)練方法，包括：

以結(jié)構(gòu)特征圖S作為輸入，同一位置處PET圖像的結(jié)構(gòu)特征圖作為GroundTruth進(jìn)行訓(xùn)練。

6.根據(jù)權(quán)利要求3所述的基于人工智能的超聲圖像優(yōu)化方法，其特征在于：S3中對(duì)組織特征圖進(jìn)行組織平滑優(yōu)化，得到優(yōu)化組織特征圖，包括：

利用金字塔圖像處理對(duì)組織特征圖T進(jìn)行分解，并通過(guò)軟閾值濾波將中間層組織特征濾除，保留最低層組織特征和最高層組織特征，得到優(yōu)化組織特征圖T”。

7.根據(jù)權(quán)利要求6所述的基于人工智能的超聲圖像優(yōu)化方法，其特征在于：S4中對(duì)超聲圖像、優(yōu)化結(jié)構(gòu)特征圖和優(yōu)化組織特征圖進(jìn)行圖像融合得到優(yōu)化超聲圖像，包括：

利用下式對(duì)超聲圖像I、優(yōu)化結(jié)構(gòu)特征圖S”和優(yōu)化組織特征圖T”進(jìn)行圖像融合：

I”＝alpha*(S”+T”)+(1-alpha)*I

其中，I”為優(yōu)化超聲圖像，alpha為圖像透明度，取值范圍為0-1.0的浮點(diǎn)數(shù)。