一种基于卷积神经网络的胎儿头围自动精确测量方法技术

本发明专利技术公开了一种基于卷积神经网络的胎儿头围自动精确测量方法，依次包括以下步骤：输入原始胎儿超声丘脑切面超声扫查图像；去除输入图像的敏感信息；多角度裁剪去敏超声图像；输入给已训练好的DeepLabv2，得到多角度图像分割结果；对多角度图像分割结果进行叠加融合；提取分割边界后完成测量。本发明专利技术实现对胎儿超声丘脑切面头围精确测量，使用DeepLabV2卷积神经网络模型有效分割识别胎儿丘脑切面的颅脑区域，准确找出超声图像中呈强回声的颅骨的边缘，进而实现了胎儿头围的精确测量，适用于产前超声检查，对缓解医生工作压力、提高产前超声诊断工作效率具有积极作用，同时还能够缓解日益尖锐的医患矛盾和提高医疗资源的有效利用，具有较大的社会价值和实际使用价值。

An Automatic and Accurate Measurement Method of Fetal Head Circumference Based on Convolutional Neural Network

【技术实现步骤摘要】
一种基于卷积神经网络的胎儿头围自动精确测量方法
本专利技术涉及医疗超声诊断
，具体涉及一种基于卷积神经网络的胎儿头围自动精确测量方法。
技术介绍
准确评估胎儿发育情况对于确保母亲和新生儿在怀孕期间和怀孕后的持续健康至关重要。二维超声由于具有实时性强，成本低，可用性广，不存在有害辐射等优点，所以被广泛用于产前检查。产前超声检查是观察胎儿生长发育情况最常用的方法，也是防止缺陷胎儿出生，评价胎儿发育程度的重要依据。产前超声检查的主要流程包括：第一，胎儿关键部位超声标准切面的获取；第二，基于胎儿超声标准切面的生物学参数测量；第三，使用胎儿的胎龄体重估测，判断胎儿的生长发育状况。由产前超声检查的过程可知，医生利用二维超声获取胎儿各个部位的超声标准切面，并在此基础上进行生物参数测量，如文献ChenHao,DouQi,NiDong,etal.Automaticfetalultrasoundstandardplanedetectionusingknowledgetransferredrecurrentneuralnetworks[C]//NassirNavab,JoachimHornegger,MedicalImageComputingandComputer-AssistedIntervention.Munich:SpringerInternationalPublishing,2015:507-514.中，在上腹部切面上测量腹围；在丘脑切面上测量头围；在股骨切面上测量股骨长；在正中矢状切面上测量头臀长和颈项透明层厚度等。目前，在临床实际诊断中，丘脑切面上的头围测量是由超声医师手动实现图2所示，这就造成以下五个方面不足：1、超声影像检查质量难以有效控制；获取参数测量有赖于超声医师的临床经验及专业水平，如果经验水平不足，超声影像质量难以保证；2、超声检查结果不具备统一性；由于不同的超声医师能力及经验不同，对胎儿的头围测量结果也不尽相同；3、难以有效提高超声检查工作效率；由于完整的产前超声检查需要获取胎儿头围参数，手动测量的方式导致效率低下；4、超声医生易患职业病；一方面目前超声医生数量缺乏，工作频率很高，同时超声医师需大量进行如移动探头、冻结图像等重复性工作，易患重复性压力损伤；5、基层医院超声影像诊断技术有待提高；基层医院超声医生诊断技术需要进一步提高，特别针对高龄产妇诊断，需要到三甲医院诊断，导致患者就医问诊不方便，三甲医院工作强度增大，医疗资源没有真正下沉到基层。近年来，已有许多基于霍夫变换(Houghtransform)、Haar特征(Haar-Likefeatures)、多阈值(Multilevelthresholding)、圆形最短路径(Circularshortestpaths)、主动轮廓模型，(Activecontouring)等自动头围测量系统被提出。但这些方法，都是基于椭圆拟合的近似测量方式，尚未有基于颅骨轮廓线全自动精准测量的方案，这也是“智能超声”领域值得突破的难题。计算机视觉技术(ComputerVision，CV)快速发展，其中深度卷积神经网络(DeepConvolutionalNeuralNetworks，DCNN)发展最为迅速。DCNN在传统多层感知器的基础上受大脑神经元结构启发变异而来，它通过卷积核和池化核的组合应用，从大量复杂高维数据中提取的抽象特征，挖掘其中的空间关联性。DCNN已成功应用于医学图像领域，如在图像配准、定位、解剖/细胞结构检测、组织分割、计算机辅助疾病诊断和预后评估等。但针对胎儿超声丘脑标准切面上的头围测量，仍没有基于DCNN的全自动测量方法出现。
技术实现思路
本专利技术所要解决的技术问题是：现有对胎儿头围测量的临床实际诊断过程中，存在效率较低、医生主观因素影响较大不利于准确检测等问题，本专利技术提供了解决上述问题的一种基于卷积神经网络的胎儿头围自动精确测量方法，所以本专利技术提出基于深度卷积神经网络—DeepLabv2的胎儿头围全自动精确测量方法。本专利技术通过下述技术方案实现：一种基于卷积神经网络的胎儿头围自动精确测量方法，包括以下步骤：Setp1，输入原始胎儿超声丘脑切面超声扫查图像；Setp2，多角度裁剪超声图像；Setp3，输入给已训练好的DeepLabv2，得到多角度图像分割结果；Setp4，对多角度图像分割结果进行叠加融合；Setp5，提取图像分割边界，获取图像边界像素长度后完成测量。进一步地，所述测量方法是在深度学习框架TensorFlow下，进行头围自动测量系统设计与测试。进一步地，在Setp1和Setp2之间还包括去除输入图像的敏感信息，所述敏感信息包括关于患者隐私信息。进一步地，所述Setp2多角度裁剪指的是选取图像上方多个角度方向进行裁剪。即在图像上方选取任意位置处进行裁剪，选取的裁剪位置的正投影点与图像上目标物之间的距离≥0。进一步地，所述Setp3中，DeepLabv2模型训练方法包括以下步骤：Setp31，搭建DeepLabv2网络模型；Setp32，采用预训练集进行微调，以完成预训练的DeepLabv2网络模型；Setp33，测定预测值与实际值之间的差异，以修正DeepLabv2网络模型；Setp34，训练过程中，原始图像与标记图像成对的输入训练，图像中的每个像素对损失函数交叉熵是等同权重；Setp35，使用随机梯度下降算法优化DeepLabv2网络模型参数。进一步地，所述DeepLabv2模型训练方法具体操作为：Setp31，使用ImageNet数据集对DeepLabv2网络模型进行预训练，完成初始化，达到迁移学习的目的；Setp32，完成预训练的DeepLabv2网络模型，继续在胎儿超声图像上训练，进行微调，以适应胎儿超声丘脑切面图像的颅脑分割任务；Setp33，训练过程中，我们使用交叉熵代价函数作为损失函数，来衡量预测值与实际值之间的差异；Setp34，训练过程中，原始图像与标记图像成对的输入训练，图像中的每个像素对损失函数交叉熵是等同权重；Setp35，使用随机梯度下降算法,优化DeepLabv2网络模型参数，来达到最优，整个训练过程，总计迭代2×105次，初始学习率为2.5×10-4，每1×104学习率下降5×10-4倍。进一步地，所述Setp5中，具体操作方法为：按照多角度裁剪的方式，逆向将二值化的分割图像拼接还原成原图，与多角度裁剪的输入图像在原图上一一对应。进一步地，所述Setp6中，提取分割边界的具体操作为：对于Setp5得到的分割图像先进行膨胀，然后用膨胀后的图像减去Setp5得到的分割图像。本专利技术具有如下的优点和有益效果：本专利技术实现对胎儿超声丘脑切面头围精确测量，使用DeepLabV2卷积神经网络模型有效分割识别胎儿丘脑切面的颅脑区域，准确找出超声图像中呈强回声的颅骨的边缘，进而实现了胎儿头围的精确测量，适用于产前超声检查，对缓解医生工作压力、提高产前超声诊断工作效率具有积极作用，同时还能够缓解日益尖锐的医患矛盾和提高医疗资源的有效利用，具有较大的社会价值和实际使用价值。附图说明此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本申请的一部分，并不构成对本专利技术实施例的限定。在附图中：图1为丘脑切面模式图；图2为本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，包括以下步骤：Setp1，输入原始胎儿超声丘脑切面超声扫查图像；Setp2，多角度裁剪超声图像；Setp3，输入给已训练好的DeepLabv2，得到多角度图像分割结果；Setp4，对多角度图像分割结果进行叠加融合；Setp5，提取图像分割边界，获取图像边界像素长度后完成测量。

【技术特征摘要】
2018.09.21 CN 20181110864851.一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，包括以下步骤：Setp1，输入原始胎儿超声丘脑切面超声扫查图像；Setp2，多角度裁剪超声图像；Setp3，输入给已训练好的DeepLabv2，得到多角度图像分割结果；Setp4，对多角度图像分割结果进行叠加融合；Setp5，提取图像分割边界，获取图像边界像素长度后完成测量。2.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述测量方法是在深度学习框架TensorFlow下，进行头围自动测量系统设计与测试。3.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，在Setp1和Setp2之间还包括去除输入图像的敏感信息，所述敏感信息包括关于患者隐私信息。4.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述Setp2多角度裁剪指的是选取图像上方多个角度方向进行裁剪。5.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述Setp3中，DeepLabv2模型训练方法包括以下步骤：Setp31，搭建DeepLabv2网络模型；Setp32，采用预训练集进行微调，以完成预训练的DeepLabv2网络模型；Setp33，测定预测值与实际值之间的差异，以修正DeepLabv2网络模型；Setp34，训练过程中，原始图像与标记...

【专利技术属性】
技术研发人员：罗红，
申请(专利权)人：四川大学华西第二医院，成都市汪汪科技有限公司，
类型：发明
国别省市：四川,51