导 师: 杨丰
授予学位: 硕士
作 者: ();
机构地区: 南方医科大学
摘 要: 针对低频超声图像可见范围大但分辨率较低、图像质量不佳的问题,本文提出了对低频超声图像融合高频细节信息的W-CycleGANs图像增强算法。除此之外,针对超声图像采集过程中,探头与人体之间存在相对运动,导致超声序列中图像出现运动模糊的问题,本文进一步提出使用去模糊生成对抗网络DeblurGANs,对超声图像进行去运动模糊的边缘细节增强。上述两种增强算法包含以下部分: 1.基于循环生成对抗网络CycleGANs的超声图像高频细节增强。使用20MHz的低频超声图像数据集和40MHz的高频超声图像数据集共同输入CycleGANs模型中进行对抗训练,学习二者图像特征间的映射关系。模型中的生成器用于输入低频超声图像,输出经过高频细节增强的增强图像,以达到提高图像质量的目的。模型的判别器则用于判断生成器输出图像的真伪,以监督生成器的迭代收敛过程,提高生成器的增强能力。最终以收敛后的生成器完成对低频图像进行高频细节增强的任务。 2.改进后的W-CycleGANs对超声图像细节增强。针对原始循环生成对抗网络CycleGANs训练过程不稳定、易崩溃,导致部分图像增强效果不佳的问题,本文对模型的损失函数进行改进,提出了使用Wasserstein距离作为损失函数的正则项,约束训练进程,保持损失函数平稳下降,使得训练过程不易崩溃,并且模型收敛速度加快,进一步提升了增强效果。 3.基于去模糊生成对抗网络(DeblurGANs)的超声图像运动模糊增强。针对超声图像采集过程中,超声探头与人体的相对运动,导致重建出的超声图像中存在运动伪影的问题,本文使用去模糊生成对抗网络DeblurGANs对生成图像进行去运动模糊细节增强。采用人工模拟运动的方法,建立清晰.模糊超声图像对数据集,进行网络训练,再以真实运动的超声