本发明属于超声成像，尤其涉及一种基于扩散模型的非造影超分辨超声成像方法及系统。
背景技术：
1、超声成像(ultrasound imaging)技术在临床诊断中具有重要作用，因其具有无创、安全、便携与价格低廉等优点，在临床中得到广泛应用。能量多普勒成像(powerdopplerimaging,pdi)是超声成像技术的一种，其一般用于测量成像区域内声散射源的超声背向散射能量，且对微血流敏感。但是，超声成像的空间分辨率受衍射极限约束，其上限是所用超声波长的一半。
2、为了提升超声成像的空间分辨率，超分辨率超声(super resolutionultrasound,sr-us)成像，也称为超声定位显微(ultrasound localization microscopy,ulm)成像技术被提出，该技术突破了声衍射极限，可以在不牺牲穿透深度的同时，达到10μm量级的空间分辨率，因此可对深层组织的微细血管系统进行成像。具体而言，基于造影能量多普勒(power doppler,pd)图像的sr-us成像是由采集到的多帧超声造影图像计算出一张pd图像，再将该图像通过深度学习神经网络映射至超分辨图像，实现超分辨重建。
3、但是，现有的sr-us成像技术需要注射超声造影剂(微泡)以实现超声回波信号增强，使其面临计算复杂度高，应用场景受限与发射声压较低等问题，很大程度上限制了sr-us技术的实际应用。具体而言，首先，ulm技术需要对微泡进行定位与追踪，该过程计算复杂度高，难以实现实时成像。其次，基于造影pd图像的sr-us技术虽然避免了对微泡的定位与追踪，但仍需注射超声造影剂，其作为一种外源性成像标记物，可能存在一定的副作用风险，如过敏反应或微血管栓塞等。最后，为了维持微泡稳定，使其不致破裂，发射声压通常也受到限制，其机械系数一般不能超过0.2，限制了超声图像的信噪比。
技术实现思路
1、为解决上述问题，本发明的目的是提供一种基于扩散模型的非造影超分辨超声成像方法及系统，基于深度学习扩散模型，对红细胞pd图像进行超分辨映射实现非造影的超分辨超声成像，以拓展sr-us成像技术的应用范围，减少成像所需时间，并提高成像时间分辨率。
2、本发明提供的技术方案为：一种基于扩散模型的非造影超分辨超声成像方法，包括以下步骤：
3、向目标对象发射多角度复合平面波，采集回波信号并进行波束合成得到红细胞b型超声图像序列；
4、对红细胞b型超声图像序列应用基于奇异值分解的时空滤波算法，将红细胞信号从组织信号和噪声信号中分离出来，得到高信噪比的超声图像序列以进行红细胞pd图像重建；
5、基于训练完成的扩散模型对所述红细胞pd图像进行超分辨映射，以实现在非造影模态下重建出超分辨超声图像。
6、优选的，所述扩散模型的基本框架为u-net，u-net网络包含2个残差块，并且引入了自注意力机制，高分辨率的噪声图像和低分辨率红细胞pd图像经双三次插值至相同分辨率后，在通道维度上连接作为所述扩散模型的网络输入，所述扩散模型的网络输出为高分辨率去噪图像，该网络以监督学习方式基于在体红细胞超声图像数据进行训练，以低分辨率在体红细胞pd图像作为网络输入，以ulm技术得到的超分辨血管结构图像作为网络目标输出。
7、优选的，所述扩散模型：
8、在t个优化步内，由纯噪声图像yt～n(0，i)逐步迭代优化输出图像，并最终得到条件于源图像x的目标图像y0～p(y|x)，这一迭代优化过程的中间图像的分布被定义为前向扩散过程，通过马尔可夫链向输出图像中逐步添加高斯噪声，记为q(yt|yt-1)，前向扩散过程表示为：
9、
10、式中，标量参数αt决定了每次迭代添加噪声的变化量，且0＜αt＜1；
11、中间过程中，yt的分布可由下式计算：
12、
13、式中，
14、在给定(y0,yt)时，yt-1的后验分布可由下式计算：
15、q(yt-1|y0，yt)＝n(yt-1|μ，σ2i)
16、
17、输入源图像x和当前优化步的含噪图像yt，近似得到的目标图像y0可由下式计算：
18、
19、pθ(yt-1|yt，x)的平均值为：
20、
21、每次迭代优化具有如下形式：
22、
23、式中，εt～n(0，i)；
24、在该迭代优化过程中，去噪模型fθ提供了数据对数密度的梯度估计，即该步的噪声水平。
25、优选的，所述扩散模型的损失函数如下：
26、
27、式中，εεn(0，i)，p∈{1，2}，
28、以预测出每个迭代步的噪声水平，并据此进行去噪以优化图像质量。
29、优选的，对红细胞b型超声图像序列应用基于奇异值分解的时空滤波算法，将红细胞信号从组织信号和噪声信号中分离出来，得到高信噪比的超声图像序列以进行红细胞pd图像重建进一步包括：
30、所述超声图像序列i由下式计算出红细胞pd图像：
31、
32、式中，ii为第i帧经奇异值分解滤波的红细胞b型超声图像序列，n为用于生成该帧pd图像的总帧数，设置为400。
33、优选的，对所述扩散模型的训练进一步包括：
34、在网络的训练过程中，运用adam优化梯度下降算法，基于2000对红细胞pd图像和对应的ulm图像进行75个周期的训练，批大小设置为1，初始学习率为5×10-6。
35、优选的，对所述扩散模型的训练进一步还包括：
36、应用学习率衰减策略，逐渐减小学习率至0，逐渐逼近最优参数。
37、基于相同的构思，本发明还提供一种基于扩散模型的非造影超分辨超声成像系统，包括：
38、图像序列获取模块，用于向目标对象发射多角度复合平面波，采集回波信号并进行波束合成得到红细胞b型超声图像序列；
39、pd图像重建模块，用于对红细胞b型超声图像序列应用基于奇异值分解的时空滤波算法，将红细胞信号从组织信号和噪声信号中分离出来，得到高信噪比的超声图像序列以进行红细胞pd图像重建；
40、超分辨映射模块，用于基于训练完成的扩散模型对所述红细胞pd图像进行超分辨映射，以实现在非造影模态下重建出超分辨超声图像。
41、基于相同的构思，本发明还提供一种电子设备，包括：
42、存储器，所述存储器用于存储处理程序；
43、处理器，所述处理器执行所述处理程序时实现上述任意一项所述的基于扩散模型的非造影超分辨超声成像方法。
44、基于相同的构思，本发明还提供一种可读存储介质，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现上述任意一项所述的基于扩散模型的非造影超分辨超声成像方法。
45、本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
46、本发明对比现有sr-us成像方法，本发明避免了对于超声造影剂的依赖，通过对低分辨红细胞pd图像基于训练完成的深度学习扩散模型进行超分辨映射，实现具有超高分辨率的超声成像，改善了sr-us成像技术的应用灵活性，拓展了其应用范围；此外，由于pd图像对微血流敏感，有效减少了进行重建所需的帧数，提高了该方法的时间分辨率；另外，该方法避免了参数依赖性，不需要额外的人工干预。
1.一种基于扩散模型的非造影超分辨超声成像方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于扩散模型的非造影超分辨超声成像方法，其特征在于，所述扩散模型的基本框架为u-net，u-net网络包含2个残差块，并且引入了自注意力机制，高分辨率的噪声图像和低分辨率红细胞pd图像经双三次插值至相同分辨率后，在通道维度上连接作为所述扩散模型的网络输入，所述扩散模型的网络输出为高分辨率去噪图像，该网络以监督学习方式基于在体红细胞超声图像数据进行训练，以低分辨率在体红细胞pd图像作为网络输入，以ulm技术得到的超分辨血管结构图像作为网络目标输出。
3.根据权利要求2所述的基于扩散模型的非造影超分辨超声成像方法，其特征在于，所述扩散模型：
4.根据权利要求3所述的基于扩散模型的非造影超分辨超声成像方法，其特征在于，所述扩散模型的损失函数如下：
5.根据权利要求1所述的基于扩散模型的非造影超分辨超声成像方法，其特征在于，对红细胞b型超声图像序列应用基于奇异值分解的时空滤波算法，将红细胞信号从组织信号和噪声信号中分离出来，得到高信噪比的超声图像序列以进行红细胞pd图像重建进一步包括：
6.根据权利要求1所述的基于扩散模型的非造影超分辨超声成像方法，其特征在于，对所述扩散模型的训练进一步包括：
7.根据权利要求1所述的基于扩散模型的非造影超分辨超声成像方法，其特征在于，对所述扩散模型的训练进一步还包括：
8.一种基于扩散模型的非造影超分辨超声成像系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现如权利要求1至7中任意一项所述的基于扩散模型的非造影超分辨超声成像方法。
