肛提肌裂孔的识别方法、装置和电子设备制造方法及图纸

本发明专利技术提供了一种肛提肌裂孔的识别方法、装置和电子设备，涉及数据处理的技术领域，该方法包括：通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图，其中，全卷积神经网络为预先设置在上下文模型的神经网络；基于活动轮廓模型对LH边缘预测图进行处理，得到超声图像的分割图像，其中，分割图像中包括肛提肌轮廓；在分割图像中识别LH的关键位置点；基于关键位置点确定LH的参数，从而实现LH的识别，本发明专利技术缓解了在采用传统的方法来对LH超声图像进行切割处理时，分割精度较低的技术问题。

【技术实现步骤摘要】
肛提肌裂孔的识别方法、装置和电子设备
本专利技术涉及数据处理的
，尤其是涉及一种肛提肌裂孔的识别方法、装置和电子设备。
技术介绍
盆底超声因具有实时成像、费用低、无辐射的优点，成为盆底疾病主要的影像检查手段。在对盆底超声进行处理的过程中，通常利用轨迹球手动描记肛提肌轮廓并测量其参数；而手动测量严重受主观经验影响、且测量步骤繁琐、耗时长、误差大。针对该问题，相关领域的专家尝试使用全自动测量方法来测量LH参数。但是以计算机辅助手段自动分割盆底超声图像时面临以下几点挑战：图像中声影、散斑等噪声干扰大；成像条件不同，图像呈现不同的强度分布；采集三维容积数据时，探头的位置、加压不当，都会导致图像质量欠佳，影响后续处理；肛提肌单侧或双侧损伤，影响肛提肌裂孔(levatorhiatus,简称LH)的识别。LH边缘分割是其生物参数测量的首要条件。Sindhwani曾提出基于水平集的半自动肛提肌轮廓描绘工具，因其需要手动标记两点—耻骨联合后下缘点，耻骨直肠肌底部前缘点，耗费时间精力，但是该方法容易受主观经验影响而导致不同观察者间存在测量误差。随着深度学习的蓬勃发展，在医学超声图像处理领域相比传统方法有更好的性能表现。卷积神经网络(ConvolutionNeuralNetworks,CNNs)在前景分类有良好应用，但用于分割时需提供感兴趣区域以辅助分类器检测，且patch-size限制感知区域大小，只能提取图像局特征，导致分类性能受限。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种肛提肌裂孔的识别方法、装置和电子设备，以缓解了在采用传统的方法来对LH超声图像进行切割处理时，分割精度较低的技术问题。第一方面，本专利技术实施例提供了一种肛提肌裂孔的识别方法，包括：通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图，其中，所述全卷积神经网络为预先设置在上下文模型的神经网络；基于活动轮廓模型对所述LH边缘预测图进行处理，得到所述超声图像的分割图像，其中，所述分割图像中包括肛提肌轮廓；在所述分割图像中识别所述LH的关键位置点；基于所述关键位置点确定所述LH的参数，从而实现所述LH的识别。进一步地，通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图包括：将所述全卷积神经网络嵌入在所述上下文模型中，得到级联的A-FCN分类器；基于所述级联的A-FCN分类器对所述超声图像进行分析处理，得到对应的LH预测图；将所述级联的A-FCN分类器中最后一级分类器输出的LH预测图作为所述LH边缘预测图。进一步地，基于所述级联的A-FCN分类器对所述超声图像进行分析处理，得到对应的LH预测图包括：获取第k-1级分类器输出的第一LH预测图；通过第k级分类器将所述第一LH预测图和所述超声图像进行融合分析处理，得到第二LH预测图，以使第k+1级分类器基于所述第二LH预测图和所述超声图像进行融合分析处理；其中，所述第k-1级分类器为所述第k级分类器的前一级分类器，第k+1级分类器为所述第k级分类器的前一级分类器，k依次取1至n，n为所述级联的A-FCN分类器中分类器的数量。进一步地，基于活动轮廓模型对所述LH边缘预测图进行处理，得到所述超声图像的分割图像包括：将所述LH边缘预测图输入至所述活动轮廓模型中，以通过PAC算法对所述LH边缘预测图进行处理，得到目标模型，其中，所述目标模型中携带以下至少一种约束信息：LH的形状、LH的纹理、LH的边缘；将测试集数据输入所述目标模型中，对所述目标模型特征点周围进行采样，得到最优预测特征点，并基于所述最优预测特征点确定所述超声图像的边缘形状预测图，以得到所述分割图像。进一步地，所述方法还包括：获取训练样本，其中，所述训练样本为包含LH的样本，且所述训练样本中预先标注了LH的主特征点和次特征点；基于所述训练样本对所述活动轮廓模型进行训练，以使所述活动轮廓模型生成所述LH的约束条件。进一步地，在所述分割图像中识别所述LH的关键位置点包括：在所述分割图像中确定尿道组织的中心点坐标，耻骨联合后下缘点，耻骨直肠肌底部前缘点；基于所述尿道组织的中心点坐标确定两侧肛提肌附着点。进一步地，在所述分割图像中确定尿道组织的中心点坐标包括：在所述分割图像中确定第一目标点，第二目标点，第三目标点和第四目标点，其中，所述第一目标点为所述肛提肌轮廓中位于最左边的点，所述第二目标点为所述肛提肌轮廓中位于最右边的点，所述第三目标点为所述肛提肌轮廓中位于最顶端的点，所述第三目标点为所述肛提肌轮廓的中心点；基于所述第一目标点，所述第二目标点，所述第三目标点和所述第四目标点确定UROI区域，其中，所述UROI区域为包含尿道组织的ROI区域；对所述UROI区域进行分割，得到所述尿道组织的组织轮廓；基于所述组织轮廓确定所述尿道组织的中心点坐标。进一步地，基于所述关键位置点确定所述LH的参数，从而实现所述LH的识别包括：基于所述关键位置点确定像素距离；获取所述像素距离和实际物理距离的比例关系，所述实际物理距离为肛提肌裂孔的实际物理距离；基于所述比例关系确定所述LH的参数。第二方面，本专利技术实施例还提供了一种肛提肌裂孔的识别装置，包括：第一处理单元，用于通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图，其中，所述全卷积神经网络为预先设置在上下文模型的神经网络；第二处理单元，用于基于活动轮廓模型对所述LH边缘预测图进行处理，得到所述超声图像的分割图像，其中，所述分割图像中包括肛提肌轮廓；识别单元，用于在所述分割图像中识别所述LH的关键位置点；确定单元，用于基于所述关键位置点确定所述LH的参数，从而实现所述LH的识别。第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的方法。在本专利技术实施例中，首先通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图，其中，全卷积神经网络为预先设置在上下文模型的神经网络；然后，基于活动轮廓模型对LH边缘预测图进行处理，得到超声图像的分割图像；接下来，在分割图像中识别LH的关键位置点；最后，基于关键位置点确定LH的参数，从而实现LH的识别。在本专利技术实施例中，通过将改进的全卷积神经网络嵌入在上下文模型中进行融合处理，得到不同尺寸不同层次的特征，缓解了在采用传统的方法来对LH超声图像进行切割处理时，分割精度较低的技术问题，从而实现了对LH超声图像进行精细处理的技术效果。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，本文档来自技高网...

【技术保护点】
一种肛提肌裂孔的识别方法，其特征在于，包括：通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图，其中，所述全卷积神经网络为预先设置在上下文模型的神经网络；基于活动轮廓模型对所述LH边缘预测图进行处理，得到所述超声图像的分割图像，其中，所述分割图像中包括肛提肌轮廓；在所述分割图像中识别所述LH的关键位置点；基于所述关键位置点确定所述LH的参数，从而实现所述LH的识别。

【技术特征摘要】
1.一种肛提肌裂孔的识别方法，其特征在于，包括：通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图，其中，所述全卷积神经网络为预先设置在上下文模型的神经网络；基于活动轮廓模型对所述LH边缘预测图进行处理，得到所述超声图像的分割图像，其中，所述分割图像中包括肛提肌轮廓；在所述分割图像中识别所述LH的关键位置点；基于所述关键位置点确定所述LH的参数，从而实现所述LH的识别。2.根据权利要求1所述的方法，其特征在于，通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图包括：将所述全卷积神经网络嵌入在所述上下文模型中，得到级联的A-FCN分类器；基于所述级联的A-FCN分类器对所述超声图像进行分析处理，得到对应的LH预测图；将所述级联的A-FCN分类器中最后一级分类器输出的LH预测图作为所述LH边缘预测图。3.根据权利要求2所述的方法，其特征在于，基于所述级联的A-FCN分类器对所述超声图像进行分析处理，得到对应的LH预测图包括：获取第k-1级分类器输出的第一LH预测图；通过第k级分类器将所述第一LH预测图和所述超声图像进行融合分析处理，得到第二LH预测图，以使第k+1级分类器基于所述第二LH预测图和所述超声图像进行融合分析处理；其中，所述第k-1级分类器为所述第k级分类器的前一级分类器，第k+1级分类器为所述第k级分类器的前一级分类器，k依次取1至n，n为所述级联的A-FCN分类器中分类器的数量。4.根据权利要求1所述的方法，其特征在于，基于活动轮廓模型对所述LH边缘预测图进行处理，得到所述超声图像的分割图像包括：将所述LH边缘预测图输入至所述活动轮廓模型中，以通过PAC算法对所述LH边缘预测图进行处理，得到目标模型，其中，所述目标模型中携带以下至少一种约束信息：LH的形状、LH的纹理、LH的边缘；将测试集数据输入所述目标模型中，对所述目标模型特征点周围进行采样，得到最优预测特征点，并基于所述最优预测特征点确定所述超声图像的边缘形状预测图，以得到所述分割图像。5.根据权利要求1或4所述的方法，其特征在于，所述方法还包括：获取训练样本，其中，所述训练样本为包含LH的样...

【专利技术属性】
技术研发人员：倪东，王娜，王慧芳，王毅，雷柏英，汪天富，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44