超声成像具有无创、无放射性、廉价且实时的优点,已被广泛用于疾病诊断和手术导航等领域。然而,超声图像中固有的斑点噪声会降低图像的质量,影响疾病诊断的准确性和手术导航的精度。因此,研究超声图像实时降噪算法,对疾病的准确诊断和精准的手术导航具有重要价值。传统的去斑方法不仅耗时,而且很难在充分地去除斑点噪声的同时有效地保留图像中的细节信息,现有的深度学习降噪算法通常将斑点噪声视为单纯的乘性噪声,而超声图像中斑点噪声难以用简单的乘性噪声模型进行描述,因此在实际超声图像中难以取得理想的去噪效果。针对二维超声图像实时去噪任务,本文提出了基于注意力机制的残差UNet网络,实现超声图像非盲去噪。鉴于斑点噪声的信号相关特性,本文提出了基于编码-解码结构的网络模型,它通过编码过程提取图像特征,再通过解码过程恢复去噪后的图像。其中,编码过程采用了轻量级的混合注意力模块,它通过分离策略分别获取通道域和空间域的注意力权重,再对其进行融合,有效地增强了图像特征并抑制背景噪声。此外,本文对超声图像斑点噪声水平进行了分级,并设计了噪声等级估计算法,通过训练各个噪声等级对应的模型以进行非盲去噪。在合成图像、仿真图像以及真实超声图像上的测试结果表明,无论是主观视觉效果还是客观评价指标,该方法超越现有的去斑点方法,能够在充分地去除斑点噪声的同时,有效地保留了图像的细节信息,并且可以实时去噪。针对三维超声图像实时去噪任务,本文提出了一种基于编码-解码结构的超声图像去噪网络模型。该方法着重解决了三维超声图像实时去噪面临的数据量大、计算量大、实时化困难等问题,从输入图像和网络结构出发,通过采样缩小输入图像,并减少计算量大而参数量小的卷积层,从而大幅降低网络模型的计算量。该网络通过辅助的噪声估计子网络,可以估计输入图像的噪声分布图,并与图像特征图融合,因此可对不同的输入图像进行盲去噪。此外通过Pytorch框架及CUDA对卷积运算进行优化加速,大幅加快训练和推理速度。在合成图像和真实超声图像上的测试结果表明,该方法能够达到现有三维超声图像去噪方法的顶尖水平,而去噪时间远低于现有方法,通过GPU加速可以达到实时去噪的目的。基于DeepInfer模块,本文将上述算法部署到了3D Slicer平台上,利用3D Slicer对三维图像传输、显示、渲染的支持以及自身携带的Python环境来运行网络模型,实现超声图像的实时去噪以及显示。