一种基于深度学习的超高分辨超声成像方法

    公开(公告)号:CN112435305A

    公开(公告)日:2021-03-02

    申请号:CN202010657793.X

    申请日:2020-07-09

    Applicant: 上海大学

    Inventor: 刘欣 周天扬 刘颖

    Abstract: 本发明公开了一种基于深度学习的超高分辨超声成像方法,构建深度学习超分辨超声成像模型;基于仿真超声训练数据,训练上述构建的深度学习模型;在超声造影剂的介入下,对成像对象进行超声成像,以获取不同时刻的一组超声图像;然后基于训练好的深度学习模型,对上述实验获取的超声图像序列进行处理,实现对每一帧超声图像中微泡的精确定位;最后,将所有帧的定位结果进行叠加,实现超高分辨超声成像。本发明提出的方法在显著提高超声成像的空间分辨率的同时,保持了较高的成像时间分辨率。在深度学习模型训练完成之后的定位过程中,该方法的计算复杂度较小,并且避免了参数精细调节,不需要额外的人工干预,适用于快速的超高分辨超声成像。

    基于格子波尔兹曼模型的光在介质中传播的描述方法

    公开(公告)号:CN106404730A

    公开(公告)日:2017-02-15

    申请号:CN201610766088.7

    申请日:2016-08-30

    Applicant: 上海大学

    Abstract: 本发明提供一种基于格子波尔兹曼模型的光在介质中传播的描述方法,其包括以下步骤:步骤一,初始化组织体的尺寸、获取光源和检测器的位置,设置组织体的组织参数;步骤二,荧光团受激发出荧光;步骤三,使用提出的格子波尔兹曼模型分别模拟激发光和荧光的扩散过程;步骤四,根据步骤三得到的结果,采用重建算法重建组织体内的荧光团浓度。本发明可适用于诸如光学成像、光声成像、电磁源成像、微波成像、电阻抗成像等图像重建中前向模型的建立和求解。本发明基于该模型构建了新型荧光断层成像系统,相比于蒙特卡罗法,大大提高了荧光团重建效率;相对于有限元法,在具有相当的重建精度基础上,大幅提高了计算效率。

Patent Agency Ranking