一种基于持续学习的无监督超声图像转换方法

本发明公开了一种基于持续学习的无监督超声图像转换方法，涉及计算机视觉超声图像技术领域，所述方法包括：以CycleGAN框架为基础，引入双分支残差模块，通过内容分支与风格分支的显式解耦，实现输入医学图像的结构信息与超声散斑纹理的分别建模，结合LoRA微调机制，仅通过在内容分支中新增少量低秩可训练参数即可实现新任务学习，设计的动态LoRA适配器能够根据任务特征自动选择最优参数配置，实现不同模态到超声图像的自适应转换。本申请在无配对数据和无需重新训练整个模型的条件下，可实现多任务的持续学习，有效缓解灾难性遗忘问题。生成的图像与现有技术相比，纹理真实性、结构一致性及参数效率等方面均取得显著提升，具有较高的灵活性和实用价值。