[发明专利]一种基于生成对抗网络的超声影像模拟方法

权利要求书

1.一种基于生成对抗网络的超声影像模拟方法，其特征在于，包括以下步骤：

S1：获取病人的CT/MR图像并切割该CT/MR图像，得到对应的组织切片图像；

S2：根据图像形态学特征将组织切片图像分割成不同区域，并给不同的区域分配相应的反射系数值，得到反射系数图；

S3：收集超声模拟数据训练生成对抗网络，所述生成对抗网络包括生成器和鉴别器，生成器通过超声模拟数据的反射系数图生成对应的样本B模式图像，鉴别器通过输入该样本B模式图像和该反射系数图判断两者是否为真实的图像对，若是，则输出该样本B模式图像，若否，则进行反向传播更新生成对抗网络；

S4：生成对抗网络训练完毕后，将新的反射系数图输入所述生成器，所述鉴别器接收并真实训练生成器输出的样本B模式图像即可模拟出逼真的超声图像。

2.根据权利要求1所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述的S2还包括以下子步骤：

S21：使用模糊C均值聚类方法自动将组织切片图像分为多种组织类型图像；

S22：根据可用反射系数值将反射系数分配给每种组织类型图像，得到反射系数图。

3.根据权利要求1所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述的S3中，使用k-Wave预先模拟的数据训练生成对抗网络。

4.根据权利要求3所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述k-Wave预先模拟的数据包含多个二维的数值模型，每个模型包含圆形内含物、矩形内含物或三角形内含物，各个内含物的size函数的取值范围为3mm～10mm。

5.根据权利要求1所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述的S3中，使用adam优化算法进行反向传播更新生成对抗网络，其损失函数为条件生成对抗损失与L1距离函数损失的加权求和，即其中，λ为权值，G是指生成器，D是指鉴别器，L_cGAN(G,D)表示条件GAN模型的目标函数，L_L1(G)表示L1距离函数，使用L1距离函数来调整由生成器G生成的图像。

6.根据权利要求1所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述生成器为u-net生成器。

7.根据权利要求1或6所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述鉴别器为马尔可夫鉴别器，其使用的激活函数为lrelu，卷积层为3层。