本說明書涉及計算機，尤其涉及一種基于稀疏視角的超聲ct快速重建方法、裝置及設備。

背景技術(shù)：

1、超聲ct（computed?tomography?with?ultrasound，超聲計算機斷層成像）是一種使用超聲波進行斷層成像的技術(shù)。與x射線ct不同，超聲ct使用超聲波來穿透人體組織，通過測量超聲波的傳播時間和方向來重建圖像。由于超聲波在人體組織中的傳播速度較慢，且受到多種因素的干擾，因此超聲ct的圖像重建過程通常比x射線ct更為復雜和耗時。在臨床應用中，醫(yī)生通常需要實時觀察患者的病情變化，因此超聲ct的快速重建算法對于提供實時反饋至關(guān)重要。由于超聲波的傳播速度較慢，患者在掃描過程中的微小移動都可能導致圖像失真?？焖僦亟ㄋ惴梢詼p少這種由于運動產(chǎn)生的偽影，還可以優(yōu)化圖像重建過程，提高圖像的分辨率和對比度，從而得到更準確的診斷結(jié)果。

2、目前已有的超聲ct重建算法技術(shù)主要包括以下幾類：基于迭代的方法、基于變換的方法以及基于深度學習的方法。基于迭代的方法通過迭代求解圖像重建過程中的線性方程組，逐漸逼近真實圖像。代表性的算法有代數(shù)重建技術(shù)（art）和聯(lián)合代數(shù)重建技術(shù)（sirt）等?；谧儞Q的方法通過對投影數(shù)據(jù)進行某種變換（如傅立葉變換、小波變換等），然后利用變換后的數(shù)據(jù)進行圖像重建。代表性的算法有卷積反投影算法（fbp）和快速傅立葉變換算法（fft）等。盡管基于迭代方法和基于變換方法可以在一定程度上提高圖像重建的速度，但它們的計算復雜度仍然較高，尤其是在處理大規(guī)模數(shù)據(jù)時。另外，由于超聲波在人體組織中的傳播受到多種因素的干擾，已有的重建算法在處理偽影和噪聲方面仍然存在挑戰(zhàn)。近年來，隨著深度學習技術(shù)的發(fā)展，越來越多的研究者開始嘗試利用深度學習模型進行超聲ct的圖像重建。基于深度學習的方法利用深度學習模型（如卷積神經(jīng)網(wǎng)絡）學習從原始超聲數(shù)據(jù)到圖像的映射關(guān)系。這種方法可以實現(xiàn)快速且高質(zhì)量的重建，但需要大量的訓練數(shù)據(jù)和計算資源。另外，從原始數(shù)據(jù)到圖像的直接映射必須保證數(shù)據(jù)采集系統(tǒng)的一致性，算法應用受到實際不同規(guī)格醫(yī)療設備的制約。

3、綜上所述，超聲ct的快速重建算法是一個持續(xù)研究的領(lǐng)域，需要不斷地探索新的技術(shù)和方法來提高圖像重建的速度和質(zhì)量。

技術(shù)實現(xiàn)思路

1、本技術(shù)要克服現(xiàn)有技術(shù)的上述缺點，提供一種基于稀疏視角的超聲ct快速重建方法、裝置及設備。

2、本技術(shù)采用下述技術(shù)方案：

3、本技術(shù)的第一個方面提供一種基于稀疏視角的超聲ct圖像快速重建方法，包括：

4、s1.利用在空間中稀疏分布的超聲換能器陣元所采集的數(shù)據(jù)，通過延時疊加波束形成方法得到初始稀疏視角重建圖像。

5、s2.構(gòu)建深度神經(jīng)網(wǎng)絡，所述深度神經(jīng)網(wǎng)絡由編碼模塊、解碼模塊和殘差模塊組成。

6、s3.構(gòu)造聲速模型利用數(shù)值模擬方法得到全視角超聲ct數(shù)據(jù)，再利用不同稀疏視角策略生成成對的稀疏視角重建圖像和全視角重建圖像。

7、s4.訓練深度神經(jīng)網(wǎng)絡，在訓練過程中，采用了adam優(yōu)化器，并結(jié)合模擬退火算法來動態(tài)調(diào)整學習率，損失函數(shù)為均方誤差。

8、s5.將初始稀疏視角重建圖像輸入深度神經(jīng)網(wǎng)絡，通過確定實時性的稀疏圖像以及進行高質(zhì)量重建的深度神經(jīng)網(wǎng)絡，實現(xiàn)了超聲ct圖像的快速重建。

9、可選地，步驟s1所述的利用在空間中稀疏分布的超聲換能器陣元所采集的數(shù)據(jù)，通過延時疊加波束形成方法得到初始稀疏視角重建圖像，具體包括：

10、s11.根據(jù)預設的環(huán)形陣列的半徑以及環(huán)形陣列的數(shù)量，從傳感器的各陣元中，確定組成環(huán)形陣列的陣元。

11、s12.根據(jù)所述組成環(huán)形陣列的陣元采集的數(shù)據(jù)，確定初始稀疏視角重建圖像。具體包括：

12、s121.根據(jù)預設的超聲換能器陣元數(shù)量，從所述陣列中，確定均勻或隨機分布的多個激發(fā)陣元；

13、s122.針對每個激發(fā)陣元，在發(fā)射超聲波時，所述各預設的超聲換能器陣元接收所述超聲波，直至所述各陣元無法接收到所述超聲波，激活下一激發(fā)陣元發(fā)射超聲波；

14、s13.當各激發(fā)陣元都已發(fā)射過超聲波時，停止激活所述激發(fā)陣元，通過確定延遲時間并對接收到的超聲波信號進行時延校正，解決不同方向上的超聲波經(jīng)過不同的傳播路徑，到達時間出現(xiàn)差異的問題。其中，延遲時間的確定公式如下：

15、????（1）

16、其中，表示序號激發(fā)陣元坐標，表示序號接收陣元坐標，表示成像點坐標，表示背景聲速。

17、s14.根據(jù)延遲時間，將每次激發(fā)各單一陣元，各環(huán)形陣列接收到的射頻信號進行疊加，確定稀疏圖像。延時疊加結(jié)果的計算公式如下：

18、????（2）

19、式中，表示序號激發(fā)陣元坐標，表示序號接收陣元坐標，表示成像點坐標，表示激發(fā)次數(shù)，表示接收陣元數(shù)目，得到的稀疏圖像如圖2深度神經(jīng)網(wǎng)絡輸入實例所示。

20、可選地，所述初始稀疏視角重建圖像的動態(tài)范圍為60db。

21、可選地，所述編碼模塊和解碼模塊至少包括：卷積層、批標準化層以及修正線性單元層。

22、可選地，所述殘差模塊中至少包括：卷積層、修正線性單元層。

23、可選地，所述解碼模塊的每個解碼層，根據(jù)該解碼層對應的編碼層輸出的編碼特征，以及該解碼層的上一層的輸出結(jié)果，融合得到該解碼層的輸入數(shù)據(jù)，并通過該解碼層確定輸出結(jié)果。

24、可選地，所述深度神經(jīng)網(wǎng)絡在訓練中采用adam優(yōu)化算法，學習率使用模擬退火法進行人工衰減，每經(jīng)過一定次數(shù)迭代學習率為原來的十分之一。

25、初始稀疏視角重建圖像在輸入到網(wǎng)絡之前經(jīng)過預處理，每個像素值除以整個訓練數(shù)據(jù)集的最大值，以便將值在0到1之間重新縮放。卷積層的權(quán)值采用均值為0，標準差為0.01的隨機正態(tài)分布初始化，防止梯度在初始訓練階段消失或爆炸。采用網(wǎng)絡輸出與訓練真實值之間的均方誤差(mse)作為訓練損失函數(shù)。均方誤差公式為：

26、????????????????（3）

27、式中，表示全視角圖像的位置處的像素值，表示稀疏視角圖像的位置處的像素值，表示像素點總數(shù)。

28、本技術(shù)的第二個方面提供一種基于稀疏視角的超聲ct快速重建裝置，包括：

29、初始稀疏視角重建圖像獲取模塊，用于利用在空間中稀疏分布的超聲換能器陣元所采集的數(shù)據(jù)，通過延時疊加波束形成方法得到初始稀疏視角重建圖像；

30、深度神經(jīng)網(wǎng)絡構(gòu)建模塊，用于構(gòu)建深度神經(jīng)網(wǎng)絡，所述深度神經(jīng)網(wǎng)絡由編碼模塊、解碼模塊和殘差模塊組成；

31、圖像生成模塊，用于構(gòu)造聲速模型利用數(shù)值模擬方法得到全視角超聲ct數(shù)據(jù)，再利用不同稀疏視角策略生成成對的稀疏視角重建圖像和全視角重建圖像；

32、深度神經(jīng)網(wǎng)絡訓練模塊，用于訓練深度神經(jīng)網(wǎng)絡，在訓練過程中，采用了adam優(yōu)化器，并結(jié)合模擬退火算法來動態(tài)調(diào)整學習率，損失函數(shù)為均方誤差；

33、超聲ct圖像快速重建模塊，用于在圖像推理階段，將初始稀疏視角重建圖像輸入訓練過的深度神經(jīng)網(wǎng)絡，通過gpu計算實現(xiàn)超聲ct圖像的快速重建，得到高實時性以及高質(zhì)量的全視角超聲圖像。

34、本技術(shù)的第三個方面提供一種計算機可讀存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的一種基于稀疏視角的超聲ct圖像快速成像方法。

35、本技術(shù)的第四個方面提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述的一種基于稀疏視角的超聲ct圖像快速重建方法。

36、本技術(shù)利用在空間中稀疏分布的超聲換能器陣元所采集的數(shù)據(jù)，通過延時疊加波束形成方法得到初始稀疏視角重建圖像，將其輸入深度神經(jīng)網(wǎng)絡，由編碼模塊提取不同深度特征，通過解碼模塊融合編碼層輸出和不同深度特征得到重建圖像；殘差模塊將解碼層輸出的重建圖像與初始稀疏視角重建圖像進行相加，最終得到所需的超聲ct圖像。通過確定實時性的稀疏圖像以及進行高質(zhì)量重建的深度神經(jīng)網(wǎng)絡，實現(xiàn)了超聲ct圖像的快速重建。

37、本技術(shù)通過確定實時性的稀疏圖像以及進行高質(zhì)量重建的深度神經(jīng)網(wǎng)絡，實現(xiàn)了超聲ct圖像的快速重建。

38、本發(fā)明具有如下有益效果：

39、根據(jù)傳感器中部分激發(fā)陣元采集的數(shù)據(jù)，確定稀疏圖像，并將稀疏視角圖像輸入深度神經(jīng)網(wǎng)絡，得到各編碼層輸出的輸出結(jié)果。再針對解碼模塊的每個解碼層，根據(jù)該解碼層對應的編碼層的編碼特征，以及該解碼層的上一層的輸出結(jié)果，融合得到該解碼層的輸入數(shù)據(jù)以及對應的輸出結(jié)果，引入殘差模塊將最后一層解碼層的重建圖像以及與初始稀疏視角圖像進行相加，生成最終超聲ct圖像。