基于生成负样本的对比约束无监督超声图像重建方法

摘要

超声平面波（PW）成像在提高帧率的同时通常会引入强衍射伪影，从而导致图像质量下降.为了提升图像质量，传统方法通常通过将连续发射的超声信号进行相干合成来降低衍射伪影，但将导致帧率的降低.最近的研究已经证明可以通过深度学习提升PW成像的图像质量.然而现有的基于深度学习的PW成像方法主要基于监督学习，这类方法依赖于配对的低质量和高质量图像输入.这在实际情况下难以实现，因此发展不需要配对的无监督方法更符合实际的需求.在本研究中，作者提出了一种新的基于无监督对比学习的PW成像算法CONG.该算法结合了对比学习模型和专门设计的负样本生成机制，可以有效地减少PW图像中的衍射伪影并保留图像中组织结构细节，从而提升PW图像质量.通过在数值模拟和真实体内数据集进行实验，对所提出方法进行了评估.实验结果表明：与现有的基于深度学习的方法相比，本文方法在定性和定量方面均达到了最优性能.

关键词

深度学习 / GAN模型 / 超声图像重建 / 无监督图像重建 / 负样本生成