基于深度学习的超声图像质量自动评估与分级方法及系统

本发明涉及超声图像质量评估，具体为基于深度学习的超声图像质量自动评估与分级方法及系统。

背景技术：

1、超声图像质量评估是超声检测与诊断流程中的重要环节，直接影响图像的可判读性与后续分析的准确性。现有技术中，超声图像质量评估多依赖人工设计的特征指标，如图像对比度、分辨率和信噪比等，通过设定阈值或简单回归模型进行分级。部分方法引入卷积神经网络直接提取图像全局特征并输出质量评分，完成端到端的质量预测。然而，超声图像固有的斑点噪声会严重干扰特征提取，传统滤波或常规卷积操作难以在保留组织边缘的同时有效抑制噪声，噪声残留会导致特征表示退化，使质量评估结果失去对真实结构保真度的敏感。现有方案缺乏与历史采集的高质量超声图像模板之间的系统性结构相似性比较，无法量化当前图像相对于优质标准的全局结构偏离程度，因而难以客观评价图像的整体几何与纹理保真性。同时，常规方法普遍忽视对局部纹理区域的精细失真检测，当图像出现局部伪影或细微结构丢失时，其信息容易被全局平均池化等操作淹没，无法生成可供追溯的局部失真分布。此外，现有的分级策略多采用固定阈值或训练好的分类器，不能根据全局与局部质量信息动态调整决策，也无法模拟专家在综合多维信息后的分级逻辑，决策过程缺乏灵活性和自优化能力。因此，迫切需要解决在自适应噪声抑制的前提下准确度量全局结构偏离、根据全局偏离情况触发局部失真精细检测以及将多维质量信息进行智能化整合分级这几个相互关联的问题。

技术实现思路

1、提供一种基于深度学习的超声图像质量自动评估与分级方法及系统，通过软阈值收缩与空间注意力机制实现噪声抑制及全局结构偏离度量，结合对抗生成网络重建误差定位局部失真，并利用强化学习智能体对融合后的质量张量进行决策，以克服现有方法噪声抑制不足、缺少全局模板比对、局部失真漏检以及分级决策僵化的问题，实现超声图像质量的客观、精确与智能化分级。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供一种基于深度学习的超声图像质量自动评估与分级方法，包括：获取超声设备的成像参数和超声探头采集的原始超声回波信号，对所述原始超声回波信号进行波束合成处理，得到初始超声图像；将所述初始超声图像输入至深度残差收缩网络中，利用所述深度残差收缩网络中的软阈值化模块对所述初始超声图像的多尺度特征通道进行噪声抑制处理，输出降噪后特征图；对所述降噪后特征图执行空间注意力加权映射，得到加权特征图，通过所述加权特征图与历史优质超声图像模板之间的结构相似性度量，确定所述初始超声图像的全局质量偏离指数；根据所述全局质量偏离指数，调用对抗生成网络对所述初始超声图像的局部纹理区域进行逐像素重建误差计算，得到局部失真热力图；融合所述全局质量偏离指数和所述局部失真热力图，构建超声图像质量综合评判张量，采用强化学习智能体对所述综合评判张量进行等级决策，输出所述初始超声图像的质量分级标签。

3、上述方案通过深度残差收缩网络中的软阈值化机制对多尺度特征进行自适应降噪，能够根据特征通道的统计分布自动确定独立阈值，有效抑制超声图像中的斑点噪声与伪影，保留组织边界等关键结构信息；利用空间注意力加权与历史优质模板的结构相似性度量，从全局角度量化当前图像与高标准图像的偏离程度，使评估结果更贴合临床阅片习惯；在全局偏离指标触发时启用对抗生成网络对局部纹理进行像素级重建误差分析，生成的局部失真热力图可精确定位声窗不足、声影或纹理模糊区域；最终由强化学习智能体综合全局质量与局部失真信息做出分级决策，通过与环境反馈的交互优化，不断提升分级策略的客观性和一致性，实现超声图像质量的自动化、细粒度评估与分级。

4、作为本发明的一个优选技术方案，所述将所述初始超声图像输入至深度残差收缩网络中，利用所述深度残差收缩网络中的软阈值化模块对所述初始超声图像的多尺度特征通道进行噪声抑制处理，输出降噪后特征图，具体包括：利用所述深度残差收缩网络中的多个卷积层对所述初始超声图像进行逐层卷积操作，提取出所述初始超声图像在不同感受野下的多尺度特征通道；将所述多尺度特征通道输入至所述深度残差收缩网络中的全局平均池化层，计算出每个特征通道的全局统计量；将所述全局统计量输入至所述深度残差收缩网络中的全连接层和激活函数层，生成每个特征通道的自适应缩放参数；利用所述自适应缩放参数对对应的特征通道进行缩放处理，得到缩放后特征通道；将所述缩放后特征通道通过所述软阈值化模块中的阈值计算子网络，生成每个特征通道的独立阈值；利用所述独立阈值对所述缩放后特征通道进行软阈值化处理，将绝对值小于所述独立阈值的特征值置为零，将绝对值大于所述独立阈值的特征值向零方向收缩，得到所述降噪后特征图。

5、该优选方案通过全局统计量与自适应缩放参数学习每个特征通道的重要性，再由阈值计算子网络为每个通道生成独立的软阈值，使得网络能够根据噪声强度与特征显著性进行差异化降噪，在去除噪声的同时避免对微弱但关键的边缘和纹理特征造成损伤，提升了降噪特征图的保真度和判别力。

6、作为本发明的另一个优选技术方案，所述对所述降噪后特征图执行空间注意力加权映射，得到加权特征图，通过所述加权特征图与历史优质超声图像模板之间的结构相似性度量，确定所述初始超声图像的全局质量偏离指数，具体包括：将所述降噪后特征图分别输入至空间注意力模块中的最大池化分支和平均池化分支，得到第一空间注意力图和第二空间注意力图；将所述第一空间注意力图和所述第二空间注意力图进行特征拼接后，通过卷积核尺寸为预设值的卷积层进行融合处理，生成空间注意力权重图；将所述空间注意力权重图与所述降噪后特征图进行逐元素相乘，得到所述加权特征图；从数据库中提取与当前超声设备型号和当前扫查部位匹配的所述历史优质超声图像模板，对所述历史优质超声图像模板进行特征提取，得到模板特征图；计算所述加权特征图与所述模板特征图之间的结构相似性度量值，基于所述结构相似性度量值在全部空间位置上的统计分布，确定所述全局质量偏离指数。

7、该优选方案利用双分支池化的空间注意力机制突出关键解剖结构区域，抑制无关背景；同时，匹配同设备、同部位的历史优质模板进行结构相似性比较，统计分布分析能够反映整体成像质量与高标准模板的差异程度，使得全局偏离指数具有设备自适应性，降低不同参数设置和操作习惯带来的评估偏差。

8、作为本发明的进一步优选方案，所述根据所述全局质量偏离指数，调用对抗生成网络对所述初始超声图像的局部纹理区域进行逐像素重建误差计算，得到局部失真热力图，具体包括：当所述全局质量偏离指数超过预设质量阈值时，将所述初始超声图像输入至所述对抗生成网络中的生成器，所述生成器采用编码器-解码器结构对所述初始超声图像进行特征编码和重建处理，输出重建超声图像；将所述初始超声图像和所述重建超声图像同时输入至所述对抗生成网络中的判别器，所述判别器输出所述初始超声图像和所述重建超声图像在像素级别上的判别差异图；根据所述判别差异图，计算所述初始超声图像中每个像素位置的重建误差值；将所述初始超声图像划分为多个局部纹理区域，对每个局部纹理区域内的全部像素的重建误差值进行聚合统计，得到每个局部纹理区域的区域重建误差；将全部局部纹理区域的区域重建误差按照所述初始超声图像的空间布局进行排列，生成所述局部失真热力图。

9、该优选方案仅在全局偏离程度较大时才触发对抗生成网络进行局部细化分析，有效平衡计算开销与评估精细度；编码器-解码器结构的生成器与判别器协同工作，可从像素级重建差异中捕捉细小纹理失真和结构畸变，聚合生成的局部失真热力图为后续分级提供了精准的空间位置依据，有助于区分全局退化和局部遮挡等不同质量缺陷类型。

10、作为本发明的又一个优选方案，所述融合所述全局质量偏离指数和所述局部失真热力图，构建超声图像质量综合评判张量，采用强化学习智能体对所述综合评判张量进行等级决策，输出所述初始超声图像的质量分级标签，具体包括：将所述全局质量偏离指数复制扩展为与所述局部失真热力图相同空间尺寸的全局偏离图；将所述全局偏离图与所述局部失真热力图在通道维度上进行特征拼接，得到融合特征图；对所述融合特征图执行三维卷积操作，提取所述融合特征图在空间维度和通道维度上的联合特征，生成所述综合评判张量；将所述综合评判张量输入至所述强化学习智能体的策略网络中，所述策略网络输出对应多个质量等级的决策概率分布；根据所述决策概率分布，选取概率值最大的质量等级作为所述质量分级标签。

11、该优选方案将全局偏离信息与局部失真信息在空间和通道维度上深度融合，通过三维卷积捕捉二者之间的耦合关系，所形成的综合评判张量具备更强的表征能力；采用强化学习智能体进行决策，能够基于历史反馈不断优化分级策略，使质量等级的划分更符合临床可接受度标准，减少主观差异。

12、作为对上述强化学习决策过程的进一步限定，所述将所述综合评判张量输入至所述强化学习智能体的策略网络中，所述策略网络输出对应多个质量等级的决策概率分布，包括：利用所述策略网络中的多个时间卷积层对所述综合评判张量沿时间维度进行序列特征提取，得到时序特征序列；将所述时序特征序列输入至所述策略网络中的长短期记忆网络单元，更新所述长短期记忆网络单元的内部隐状态，得到当前时刻的决策隐向量；将所述决策隐向量输入至所述策略网络中的全连接分类层，所述全连接分类层通过柔性最大激活函数输出所述决策概率分布；在所述强化学习智能体的训练阶段，根据所述决策概率分布与环境反馈的质量评分奖励之间的优势函数，更新所述策略网络的网络参数。

13、该优选方案引入时间卷积和长短期记忆网络对综合评判张量进行时序建模，能够利用多次评估过程中的上下文信息平滑决策，避免单帧图像偶然异常导致的等级跳变；训练时通过优势函数引导策略网络向更优的分级方向优化，使模型对边界样本的分级更加稳健。

14、作为本发明的另一个优选方案，所述获取超声设备的成像参数和超声探头采集的原始超声回波信号，对所述原始超声回波信号进行波束合成处理，得到初始超声图像，具体包括：获取所述超声设备的发射频率、接收增益和动态范围作为所述成像参数，并获取所述超声探头在多个扫描线上采集的原始射频回波信号作为所述原始超声回波信号；根据所述成像参数中的动态范围，对所述原始射频回波信号进行动态范围压缩处理，得到压缩后回波信号；对所述压缩后回波信号进行正交解调处理，提取出同相分量和正交分量，根据所述同相分量和所述正交分量构建复解析信号；根据所述成像参数中的发射频率和接收增益，确定所述多个扫描线之间的时延补偿系数，利用所述时延补偿系数对所述复解析信号进行逐扫描线的时延校准处理，得到时延校准后信号；对所述时延校准后信号进行加权求和，完成所述波束合成处理，得到所述初始超声图像。

15、该优选方案利用实时采集的成像参数指导动态范围压缩与时延校准，使波束合成能适配不同扫查条件下的回波特性，由此生成的初始超声图像动态范围适中、声束聚焦良好，为后续质量评估提供了信噪比更高、结构更清晰的基础图像。

16、作为本发明在降噪网络训练方面的一个优选方案，所述深度残差收缩网络中的软阈值化模块在训练阶段采用如下方式优化，包括：构建包含多张已标注噪声等级的超声图像样本的训练集，将所述训练集中的超声图像样本输入至所述深度残差收缩网络，得到预测降噪后特征图；利用所述预测降噪后特征图与所述超声图像样本对应的纯净超声图像标签之间的均方误差，计算第一损失函数值；利用所述深度残差收缩网络中所述软阈值化模块输出的独立阈值与所述超声图像样本的噪声等级标注之间的正则化约束，计算第二损失函数值；将所述第一损失函数值和所述第二损失函数值进行加权求和，得到总损失函数值，利用所述总损失函数值通过反向传播算法更新所述深度残差收缩网络的网络权重；在每次反向传播更新后，对所述深度残差收缩网络中的批归一化层的缩放因子进行裁剪处理，将小于预设裁剪阈值的缩放因子置为零。

17、该训练方案通过结合重建误差与阈值正则化，强制网络学习到的独立阈值与真实噪声等级相关联，从而增强软阈值化模块的物理可解释性和泛化能力；同时，对批归一化缩放因子进行稀疏化裁剪，可实施通道级剪枝，降低模型复杂度，有利于部署在计算资源受限的超声设备边缘端。

18、作为本发明在对抗生成网络结构方面的一个优选方案，所述生成器中的编码器采用多个下采样卷积块，所述解码器采用对称数量的上采样反卷积块，且所述编码器与所述解码器之间设置有跳跃连接。

19、跳跃连接能够将编码阶段的高分辨率细节特征传递至解码阶段，使得重建超声图像在恢复全局结构时保留清晰的纹理边缘，进而使逐像素重建误差计算更精准，提升局部失真热力图的敏感度和特异性。

20、本发明还提供一种基于深度学习的超声图像质量自动评估与分级系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现上述基于深度学习的超声图像质量自动评估与分级方法的步骤。该系统可将上述方法固化为可执行的软件模块，嵌入超声设备工作站或云端分析平台，对扫查获取的图像进行实时或离线质量评估与分级，辅助医师快速筛选不合格图像，提高超声检查的标准化水平和效率。

21、在上述技术方案中，本发明提供的技术效果和优点：

22、利用深度残差收缩网络对初始超声图像进行多尺度特征提取，软阈值化模块依据全局池化统计量生成每个特征通道的独立阈值，并采用软阈值化处理使绝对值小于阈值的特征归零、大于阈值的特征向零收缩，实现对斑点噪声的自适应剔除。处理后的降噪特征图送入空间注意力模块，由最大池化和平均池化分支生成两张空间描述图，拼接后经卷积融合为空间注意力权重图，与降噪特征图逐元素相乘得到加权特征图，使网络在解剖结构边缘和组织交界处获得更强响应。随后，从数据库中调取同型号设备和同一扫查部位的历史优质超声图像模板，提取其对应特征图，计算加权特征图与模板特征图之间的结构相似性度量，并在全部空间位置上统计分布以形成全局质量偏离指数。该过程使得噪声抑制强度与图像局部统计特性自动匹配，防止结构细节被过度平滑，空间注意力加权将评估资源集中于诊断关键区域，历史优质模板比对将抽象的全局图像质量量化为偏离值，相比直接回归质量分数更稳定且更具解释性。根据全局质量偏离指数调用对抗生成网络，生成器通过编码器-解码器结合跳跃连接重建初始超声图像，判别器输出像素级的判别差异图，计算每个像素的重建误差后，按局部纹理区域聚合形成局部失真热力图。将全局质量偏离指数复制扩展为与热力图相同空间尺寸的全局偏离图，在通道维度上拼接后利用三维卷积提取联合时空特征，构建超声图像质量综合评判张量。强化学习智能体的策略网络包含时间卷积层和长短期记忆网络单元，对综合评判张量沿时间维度提取序列特征并更新隐状态，得到决策隐向量，最终通过全连接分类层输出各质量等级的决策概率分布，选取最大概率等级为质量分级标签。对抗生成网络对纹理异常高度敏感，能精细暴露常规手段难以发现的局部微观失真，热力图直观展示失真空间分布；强化学习智能体在与环境交互中通过奖励机制不断优化分级策略，能融合全局与局部多维信息做出接近专家决策的智能分级，避免固定阈值导致的误判，整体提升了评估的精度与自动化水平。