医用超声图像模拟系统：模拟病灶算法代码详解

最新推荐文章于 2026-06-17 23:49:13 发布

原创

最新推荐文章于 2026-06-17 23:49:13 发布 · 448 阅读

标签

#算法

1. 引言

医用超声图像模拟系统在医学影像研究、算法开发和临床培训中扮演着重要角色。通过模拟生成包含各种病灶的超声图像，研究人员可以在不涉及真实患者数据的情况下，验证图像处理算法、训练AI模型，并帮助医学生理解不同病理特征在超声图像上的表现。

本文将深入探讨医用超声图像模拟系统中模拟病灶的核心算法，提供完整的代码实现和详细的技术解析。

2. 系统架构概述

一个完整的医用超声图像模拟系统通常包含以下核心模块：

背景组织模拟：生成正常的超声组织纹理
病灶模型生成：创建各种类型的病灶几何模型
声学特性模拟：模拟超声波在不同组织中的传播特性
图像合成引擎：将模拟数据合成为最终的B超图像
噪声与伪影添加：模拟真实超声设备中的各种噪声和伪影

3. 核心算法：基于物理的超声模拟

3.1 超声传播模型

超声波的传播可以用波动方程描述。在均匀介质中，二维波动方程为：

import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage

class UltrasoundSimulator:
    def __init__(self, grid_size=(512, 512), dx=0.1e-3, dt=1e-8):
        """
        初始化超声模拟器
        
        参数:
            grid_size: 模拟网格大小 (height, width)
            dx: 空间步长 (m)
            dt: 时间步长 (s)
        """
        self.grid_size = grid_size
        self.dx = dx
        self.dt = dt
        self.c0 = 1540  # 声速基准值 (m/s)
        
        # 初始化声速场和密度场
        self.sound_speed = np.ones(grid_size) * self.c0
        self.density = np.ones(grid_size) * 1000  # 密度 (kg/m³)
        self.pressure = np.zeros(grid_size)  # 声压场
        
    def set_tissue_properties(self, tissue_mask, sound_speed, density):
        """
        设置不同组织的声学特性
        
        参数:
            tissue_mask: 组织掩码 (与grid_size相同大小)
            sound_speed: 该组织的声速 (m/s)
            density: 该组织的密度 (kg/m³)
        """
        self.sound_speed[tissue_mask] = sound_speed
        self.density[tissue_mask] = density

3.2 病灶模型生成算法

病灶的模拟需要综合考虑几何形状、边界模糊度、内部回声特性等因素：

class LesionGenerator:
    def __init__(self, image_size=(512, 512)):
        self.image_size = image_size
        self.background = None
        
    def generate_cystic_lesion(self, center, radius, sigma=2.0):
        """
        生成囊性病灶（无回声或低回声）
        
        参数:
            center: 病灶中心坐标 (y, x)
            radius: 病灶半径 (像素)
            sigma: 边界模糊度
            
        返回:
            病灶掩码和回声强度图
        """
        y, x = np.ogrid[:self.image_size[0], :self.image_size[1]]
        distance = np.sqrt((x - center[1])**2 + (y - center[0])**2)
        
        # 生成平滑的病灶掩码
        lesion_mask = np.exp(-(distance**2) / (2 * sigma**2))
        lesion_mask = (distance < radius) * lesion_mask
        
        # 囊性病灶通常为低回声（暗区）
        echo_intensity = 0.2 + 0.1 * np.random.randn(*self.image_size)
        echo_intensity = echo_intensity * lesion_mask
        
        return lesion_mask, echo_intensity
    
    def generate_solid_lesion(self, center, major_axis, minor_axis, angle=0):
        """
        生成实性病灶（高回声）
        
        参数:
            center: 病灶中心坐标 (y, x)
            major_axis: 长轴长度
            minor_axis: 短轴长度
            angle: 旋转角度（弧度）
            
        返回:
            椭圆病灶掩码和回声强度图
        """
        y, x = np.ogrid[:self.image_size[0], :self.image_size[1]]
        
        # 坐标旋转
        cos_angle = np.cos(angle)
        sin_angle = np.sin(angle)
        
        xc = x - center[1]
        yc = y - center[0]
        
        x_rot = xc * cos_angle + yc * sin_angle
        y_rot = -xc * sin_angle + yc * cos_angle
        
        # 椭圆方程
        ellipse = (x_rot**2) / (major_axis**2) + (y_rot**2) / (minor_axis**2)
        lesion_mask = ellipse