用循环生成对抗网络CycleGANs,在低频超声图像上融合高频特征信息,进行细节增强。2、改进后的W-CycleGANs对超声图像细节增强。针对原始CycleGANs训练过程不稳定、易崩溃,导致部分图像增强效果不佳的问题,提出使用Wasserstein距离作为损失函数的正则项,对训练进程进行约束,进一步提升增强效果。3、去模糊生成对抗网络(DeblurGANs)的超声图像去运动模糊增强。通过学习模糊图像与清晰图像的映射关系,使模型能够对超声图像采集过程中,由于探头移动产生的运动伪影进行相应的去模糊细节增强处理。在CycleGANs与DeblurGANs模型的训练过程中,使用清晰度、对比度和边缘能量等定量指标对不同模型的增强效果进行评价,最后使用广州军区广州总医院100幅真实IVUS图像数据,验证本文所提的网络模型的泛化能力。实验结果表明,改进后的W-CycleGANs模型收敛速度是原始CycleGANs模型的两倍,且三个评价标准数值分别提升了 15.8%、11.4%和46.6%。而DeblurGANs去模糊效果与SRN方法相比,清晰度和边缘能量分别提高了48.6%和19.9%。总之,本文提出的两种超声图像细节增强方法简单有效,W-CycleGANs模型能够丰富低频图像边缘细节,DeblurGANs模型能够减轻采集过程中产生的运动伪影,两者均可增强图像的细节信息,提高超声科医生判断疾病的敏感性。