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

关 键 词： 超声图像 图像增强 运动模糊 生成对抗网络