超声图像的模拟模型训练方法、生成方法、设备及介质与流程

本公开涉及图像处理，尤其涉及一种超声图像的模拟模型训练方法、生成方法、设备及介质。

背景技术：

1、在心内手术中，正确使用超声导管并准确识别超声影像是确保手术成功的重要保障。超声导管是一种先进的医疗工具，通过血管介入方式将高清超声探头引入心脏，提供高分辨率、实时的心脏超声影像。该技术在手术导航中起着关键作用，帮助医生精确观察心脏结构，定位和识别异常区域，并指导导丝操作和介入器植入过程。该技术广泛应用于心脏外科手术、冠脉介入以及结构性心脏病修复等领域。通过使用超声导管并准确识别超声影像，医生能够更安全、更有效地进行心内手术，从而提高手术结果的质量并提升患者的生活质量。

2、然而，对医生来说，心内超声影像学习是一项具有挑战性的任务。由于心脏的解剖结构复杂且在不同个体之间存在差异，对超声图像的理解和学习变得困难。目前的超声模拟技术尚不完善，无法有效培养医生的心内超声影像学习能力。现有模拟图像存在边缘过于清晰、与心脏解剖结构无法准确对应以及部分超声角度无法模拟等问题，这些限制了超声模拟教学在临床实践中对医生经验积累的作用。

技术实现思路

1、本公开要解决的技术问题是为了克服现有技术中现有模拟图像存在边缘过于清晰、与心脏解剖结构无法准确对应以及部分超声角度无法模拟等问题的缺陷，提供一种超声图像的模拟模型训练方法、生成方法、设备及介质。

2、本公开是通过下述技术方案来解决上述技术问题：

3、本公开提供一种超声图像模拟模型的训练方法，所述训练方法包括：

4、获取样本对象的若干张样本超声图像；

5、获取每张所述样本超声图像的样本掩膜图像；

6、将每张所述样本掩膜图像输入至预设网络模型，输出对应的第一超声图像和第二超声图像；

7、其中，所述预设网络模型包括第一预设网络和第二预设网络，所述第一预设网络用于学习超声图像中的轮廓信息，所述第二预设网络用于学习超声图像中的纹理信息；

8、将每组的所述第一超声图像和所述第二超声图像分别与对应的所述样本超声图像进行比对，以获取比对结果；

9、基于不同的所述比对结果迭代更新所述预设网络模型，直至满足预设模型训练条件，以得到所述超声图像模拟模型。

10、较佳地，所述第一预设网络和所述第二预设网络均采用生成对抗网络。

11、较佳地，所述将每张所述样本掩膜图像输入至预设网络模型，输出对应的第一超声图像和第二超声图像的步骤包括：

12、将所述样本掩膜图像输入至所述第一预设网络，以输出所述第一超声图像；

13、将所述第一超声图像输入至所述第二预设网络，以输出所述第二超声图像；

14、所述将每组的所述第一超声图像和所述第二超声图像分别与对应的所述样本超声图像进行比对，以获取比对结果的步骤包括：

15、基于第一损失函数，计算所述第一超声图像与所述样本超声图像之间的第一损失值；

16、基于第二损失函数，计算所述第二超声图像与所述样本超声图像之间的第二损失值；

17、所述基于不同的所述比对结果迭代更新所述预设网络模型，直至满足预设模型训练条件，以得到所述超声图像模拟模型的步骤包括：

18、基于所述第一损失值迭代更新所述第一预设网络的网络参数，以减小所述第一损失值；

19、基于所述第二损失值迭代更新所述第二预设网络的网络参数，以减小所述第二损失值；

20、当所述第一损失值小于第一预设阈值，且所述第二损失值小于第二预设阈值时，确定满足所述预设模型训练条件，以得到所述超声图像模拟模型。

21、较佳地，所述获取每张所述样本超声图像的样本掩膜图像的步骤包括：

22、对所述样本超声图像进行去噪处理，得到第三超声图像；

23、对所述第三超声图像进行阈值分割处理，得到所述样本掩膜图像。

24、较佳地，其特征在于，所述样本对象包括预设器官和/或预设组织。

25、较佳地，所述预设器官包括心脏。

26、本公开还提供一种超声图像的模拟生成方法，所述模拟生成方法包括：

27、获取目标对象的目标掩膜图像；

28、将所述目标掩膜图像输入至超声图像模拟模型，以模拟生成目标超声图像；

29、其中，所述超声图像模拟模型采用如上述的训练方法训练得到。

30、较佳地，所述获取目标对象的目标掩膜图像的步骤包括：

31、获取所述目标对象的三维模型；

32、以所述三维模型中的目标位置为顶点、预设长度为半径，获取目标角度对应的模拟扇形；

33、获取所述模拟扇形与所述三维模型的全部交点，得到初始点集；

34、采用预设筛选算法对所述初始点集进行筛选处理，得到若干个目标点集；

35、根据每一个所述目标点集中的各个点以及所述模拟扇形的两条半径，确定对应的目标轮廓；

36、根据各个所述目标轮廓，得到所述目标掩膜图像。

37、较佳地，所述采用预设筛选算法对所述初始点集进行筛选处理，得到若干个目标点集的步骤包括：

38、随机选取所述初始点集中的一个点作为种子点，并将所述种子点加入第一点集；

39、采用贪心算法，选取与所述种子点最近的一个点作为目标点；

40、在所述目标点与所述种子点之间的距离小于或者等于预设距离时，将所述目标点加入所述第一点集；

41、采用所述目标点作为新的种子点，并重复执行采用所述贪心算法，选取与所述种子点最近的一个点作为目标点；在所述目标点与所述种子点之间的距离小于或者等于预设距离时，将所述目标点加入所述第一点集的步骤，直至所述目标点与所述种子点之间的距离大于所述预设距离，并将当前的所述第一点集作为所述目标点集。

42、较佳地，所述根据每一个所述目标点集中的各个点以及所述模拟扇形的两条半径，确定对应的目标轮廓的步骤包括：

43、若所述目标点集中的第一个种子点与最后一个目标点之间的距离小于或者等于所述预设距离，则连接所述目标点集中的各个点得到所述目标轮廓；

44、若所述目标点集中的第一个种子点与最后一个目标点之间的距离大于所述预设距离，且所述目标点集中有两个点落在所述模拟扇形的同一条半径上，则连接所述目标点集中的各个点以及所述模拟扇形与所述目标点集有交点的一条半径，得到所述目标轮廓；

45、若所述目标点集中的第一个种子点与最后一个目标点之间的距离大于所述预设距离，且所述目标点集中有两个点分别落在所述模拟扇形的两条半径上，则连接所述目标点集中的各个点以及所述模拟扇形的两条半径，得到所述目标轮廓。

46、本公开还提供一种超声图像模拟模型的训练系统，所述训练系统包括：

47、第一样本获取模块，用于获取样本对象的若干张样本超声图像；

48、第二样本获取模块，用于获取每张所述样本超声图像的样本掩膜图像；

49、超声图像输出模块，用于将每张所述样本掩膜图像输入至预设网络模型，输出对应的第一超声图像和第二超声图像；

50、其中，所述预设网络模型包括第一预设网络和第二预设网络，所述第一预设网络用于学习超声图像中的轮廓信息，所述第二预设网络用于学习超声图像中的纹理信息；

51、比对模块，用于将每组的所述第一超声图像和所述第二超声图像分别与对应的所述样本超声图像进行比对，以获取比对结果；

52、训练模块，用于基于不同的所述比对结果迭代更新所述预设网络模型，直至满足预设模型训练条件，以得到所述超声图像模拟模型。

53、较佳地，所述第一预设网络和所述第二预设网络均采用生成对抗网络。

54、较佳地，所述超声图像输出模块还包括：

55、第一输出单元，用于将所述样本掩膜图像输入至所述第一预设网络，以输出所述第一超声图像；

56、第二输出单元，用于将所述第一超声图像输入至所述第二预设网络，以输出所述第二超声图像；

57、较佳地，所述比对模块还包括：

58、第一损失计算单元，用于基于第一损失函数，计算所述第一超声图像与所述样本超声图像之间的第一损失值；

59、第二损失计算单元，用于基于第二损失函数，计算所述第二超声图像与所述样本超声图像之间的第二损失值；

60、较佳地，所述训练模块还包括：

61、第一参数更新单元，用于基于所述第一损失值迭代更新所述第一预设网络的网络参数，以减小所述第一损失值；

62、第二参数更新单元，用于基于所述第二损失值迭代更新所述第二预设网络的网络参数，以减小所述第二损失值；

63、训练完成确定单元，用于当所述第一损失值小于第一预设阈值，且所述第二损失值小于第二预设阈值时，确定满足所述预设模型训练条件，以得到所述超声图像模拟模型。

64、较佳地，所述第二样本获取模块还包括：

65、去噪单元，用于对所述样本超声图像进行去噪处理，得到第三超声图像；

66、分割单元，用于对所述第三超声图像进行阈值分割处理，得到所述样本掩膜图像。

67、较佳地，所述样本对象包括预设器官和/或预设组织。

68、较佳地，所述预设器官包括心脏。

69、本公开还提供一种超声图像的模拟生成系统，所述模拟生成系统包括：

70、目标获取模块，用于获取目标对象的目标掩膜图像；

71、超声模拟模块，用于将所述目标掩膜图像输入至超声图像模拟模型，以模拟生成目标超声图像；

72、其中，所述超声图像模拟模型采用如上述的训练系统训练得到。

73、较佳地，所述目标获取模块还包括：

74、三维模型获取单元，用于获取所述目标对象的三维模型；

75、模拟扇形获取单元，用于以所述三维模型中的目标位置为顶点、预设长度为半径，获取目标角度对应的模拟扇形；

76、初始点集获取单元，用于获取所述模拟扇形与所述三维模型的全部交点，得到初始点集；

77、目标点集获取单元，用于采用预设筛选算法对所述初始点集进行筛选处理，得到若干个目标点集；

78、目标轮廓获取单元，用于根据每一个所述目标点集中的各个点以及所述模拟扇形的两条半径，确定对应的目标轮廓；

79、目标掩膜获取单元，用于根据各个所述目标轮廓，得到所述目标掩膜图像。

80、较佳地，所述目标点集获取单元还包括：

81、种子点获取子单元，用于随机选取所述初始点集中的一个点作为种子点，并将所述种子点加入第一点集；

82、目标点获取子单元，用于采用贪心算法，选取与所述种子点最近的一个点作为目标点；

83、距离判断子单元，用于在所述目标点与所述种子点之间的距离小于或者等于预设距离时，将所述目标点加入所述第一点集；

84、目标点集获取子单元，用于采用所述目标点作为新的种子点，并重复执行采用所述贪心算法，选取与所述种子点最近的一个点作为目标点；在所述目标点与所述种子点之间的距离小于或者等于预设距离时，将所述目标点加入所述第一点集的步骤，直至所述目标点与所述种子点之间的距离大于所述预设距离，并将当前的所述第一点集作为所述目标点集。

85、较佳地，所述目标轮廓获取单元还包括；

86、第一轮廓获取子单元，用于在所述目标点集中的第一个种子点与最后一个目标点之间的距离小于或者等于所述预设距离时，连接所述目标点集中的各个点得到所述目标轮廓；

87、第二轮廓获取子单元，用于在所述目标点集中的第一个种子点与最后一个目标点之间的距离大于所述预设距离，且所述目标点集中有两个点落在所述模拟扇形的同一条半径上时，连接所述目标点集中的各个点以及所述模拟扇形与所述目标点集有交点的一条半径，得到所述目标轮廓；

88、第三轮廓获取子单元，用于在所述目标点集中的第一个种子点与最后一个目标点之间的距离大于所述预设距离，且所述目标点集中有两个点分别落在所述模拟扇形的两条半径上时，连接所述目标点集中的各个点以及所述模拟扇形的两条半径，得到所述目标轮廓。

89、本公开还提供一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的超声图像模拟模型的训练方法，或，超声图像的模拟生成方法。

90、本公开还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的超声图像模拟模型的训练方法，或，超声图像的模拟生成方法。

91、本公开还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的超声图像模拟模型的训练方法，或，超声图像的模拟生成方法。

92、在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本公开各较佳实例。

93、本公开的积极进步效果在于：采用心脏等目标对象的样本超声图像及其样本掩膜图像，训练由两层网络组成的预设网络模型，得到超声图像模拟模型；基于该超声图像模拟模型和心脏等目标对象的三维模型，可以模拟得到目标对象内部各个位置、各个角度的超声图像，提高超声图像与目标对象具体结构的匹配程度，为医生提供可交互的、高精度、逼真的超声模拟系统，使得模拟超声图像具有实时性和高仿真性，提高医生对超声图像的学习效率和质量。