USenhance2023——2023 年超声图像增强挑战赛

今天将分享低质量超声图像生成高质量超声图像的完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、USenhance2023介绍

超声成像常用于辅助疾病诊断和治疗，具有无创性优势。最近，医学超声显示出从医院昂贵的大型机器到更广泛使用的经济型手持设备的前景。障碍在于，由于硬件限制，使用手持设备进行超声检查存在成像质量低的缺点。为此，超声图像增强提供了一种潜在的低成本解决方案。使用计算机算法从低质量图像恢复高质量图像将免除硬件改进的要求，并促进超声设备革命和更广泛的应用。

二、USenhance2023任务

从低质量图像重建高质量超声图像。

三、USenhance2023数据集

提供五个器官的各种超声数据，包括甲状腺、颈动脉、肝脏、乳房和肾脏，来自109名患者的总共3000张超声图像（1500 对低质量和高质量图像）。

评价指标：（峰值信噪比）PSNR，（结构相似性）SSIM，（局部归一化互相关）LNCC，（使用预训练分割模型在增强图像上进行病变分割 Dice）Dice，（用于处理一张图像的平均秒数）运行时间。

四、技术路线

1、分析超声图像可以看到低质量图像和高质量图像不具有空间位置一一对应的关系，采用GAN网络的生成器将低质量图像生成高质量图，然后再通过判别器来区分真实高质量图像和生成高质量图像。

2、由于超声图像是灰度图像所以对低质量和高质量图像都进行0-1范围归一化处理即可。然后将数据分成训练集和验证集。

3、搭建WGAN网络，生成器网络采用Vnet2d，判别器网络采用VGG8，生成器和判别器都使用Adam优化器，学习率是0.0001，batchsize是32，epoch是600，损失函数是采用对抗损失即生成器要求判别网络对生成的图像趋向于真，而判别器要求判别网络能够区分真实图像和生成图像，也就是真实图像趋向于真，生成图像趋向于假。

4、训练结果和验证结果

5、验证集部分生成结果

左图是低质量图像，中间是生成的高质量图像，右边是真实高质量图像。

6、测试集部分生成结果

左图是低质量图像，右图是生成的高质量图像。

如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。