改进型循环生成对抗网络的血管内超声图像增强

摘要：

血管内超声(Intravascular Ultrasound,IVUS)图像采集过程中使用的低频或高频超声探头各有其特点,医生在诊断冠脉粥样硬化等疾病过程中需根据临床需求选择频率不同的超声探头.因此,文中提出一种基于Wasserstein距离的循环生成对抗网络(Cycle Generative Adversarial Networks,CycleGANs)用于增强血管内超声图像,其目的是融合高频超声细节信号,克服低频超声图像边缘模糊且分辨率较低等问题,以辅助医生诊断心血管疾病.首先基于心血管的形状特点,使用旋转、缩放和Gamma变换等方法将图像数据训练集增加30倍,降低网络训练过拟合的风险;然后利用对抗网络训练的思想,构建基于对抗损失和循环一致损失的联合函数,在损失函数中引入Wasserstein距离作为正则项,加快网络训练的收敛速度,解决训练不稳定的问题;最后以低频IVUS图像为输入对象,输出含有高频图像细节信息的IVUS增强图像.在实验过程中以国际标准IVUS图像数据库为基础进行算法验证比较;以清晰度、对比度和边缘能量为评价标准进行定量分析.实验结果:所提算法的收敛速度是原始CycleGANs模型的两倍,且3个评价标准数值分别提升了15.8％,11.4％和46.6％.实验结果表明:W-CycleGANs模型能够有效地学习高频图像域的特征信息,并且进一步丰富低频图像边缘细节,增强图像的诊断信息,提高医生判断心血管疾病的敏感性.此外,文中采用100幅临床IVUS图像数据进行推广验证,也获得了较好的增强效果.

关键词：血管内超声、生成对抗网络、Wasserstein距离、图像增强、深度学习

所属期刊栏目：46

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61771233

在线出版日期：2019-06-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：221-227