一种基于超声图像的胎儿头围全自动测量方法和装置制造方法及图纸

本发明专利技术公开了一种基于超声图像的胎儿头围全自动测量方法和装置，方法包括步骤：S1、获取胎儿头部二维超声图像；S2、构建全卷积神经网络，根据全卷积神经网络对胎儿头部的二维超声图像进行语义分割，从中初步分割出ROI区域；S3、获取ROI区域的轮廓；S4、对上述胎儿头部的ROI区域的轮廓进行椭圆拟合；S5、根据椭圆计算胎儿头围长度。本发明专利技术基于深度学习方法和图像处理技术实现，可以快速准确的集合超声图像中的胎儿颅骨，根据像素之间与实际长度的对应关系可计算出胎儿的头围。

An automatic measurement method and device of fetal head circumference based on ultrasound image

The invention discloses a method and device for automatic measurement of fetal head circumference based on ultrasonic image, the method comprises the following steps: S1, obtaining two-dimensional ultrasonic image of fetal head; S2, constructing a full convolution neural network, semantic segmentation of two-dimensional ultrasonic image of fetal head according to the full convolution neural network, and preliminary segmentation of ROI region from it; S3, obtaining the outline of ROI region; S4, getting the outline of ROI region The contour of the ROI region of the fetal head is fitted with ellipse; S5. Calculate the fetal head circumference length according to ellipse. Based on the deep learning method and image processing technology, the invention can quickly and accurately gather the fetal skull in the ultrasonic image, and calculate the fetal head circumference according to the corresponding relationship between the pixels and the actual length.

【技术实现步骤摘要】
一种基于超声图像的胎儿头围全自动测量方法和装置
本专利技术涉及分娩监护和超声图像处理研究领域，特别涉及一种基于超声图像的胎儿头围全自动测量方法和装置。
技术介绍
B型超声诊断系统由于具有无创、价廉和安全等优点，越来越多的应用于医学诊断中，尤其是在产科检查中被广泛应用。医生利用B超可以检测胎儿发育过程中各项生长参数指标，以达到优生的目的。在产科检查的超声图像中，胎儿的头围显示清晰，易于测量，通过测量胎儿的头围可以估算胎儿的胎重或胎龄；因此，胎儿头围是衡量胎儿生长发育的重要参数。目前，临床医生主要是通过移动轨迹球的方式手动确定胎儿头围的长轴和短轴，得到胎儿头围的椭圆形状，再通过椭圆周长公式计算胎儿头围周长，从而得到胎儿头围的测量结果，并进一步估算胎儿的胎重和胎龄。由于在上述操作过程中，临床医生的操作手法和熟练程度会影响对目标对象的定位，其测量结果会存在误差；同时，由于临床医生需要不间断地重复上述操作，枯燥单调，浪费时间，严重使得肢体重复性损伤。自动测量胎儿头围是发展的方向，胎儿头围的椭圆定位与椭圆边缘分割是自动测量胎儿头围的关键步骤，现已成为胎儿头围自动测量的研究热点，国内外学者对此进行了深入的研究。Lu利用K-means算法和形态学运算得到颅骨段，然后利用迭代随机霍夫变换检测出椭圆形头部形状。该方法的主要问题是基于强度的k-means聚类方法不能有效地从含噪的超声图像中提取颅骨段，从而降低了霍夫变换对头部检测的鲁棒性。Stebbing和McManigle提出了随机森林边缘分类的边界碎片模型。然而，与颅骨结构强度相似的解剖结构的存在可能会降低该方法的鲁棒性。Ciurte等人提出将胎儿头部分割的任务定义为一个连续的最小切割问题。然而，这种方法需要用户辅助标记过程来初始化分割，因此使得测量过程非常繁琐。Foi等人建议采用多起点多尺度Nelder-Mead算法将成本函数最小化，将胎儿头部从超声图像中分割出来。成本函数是基于头骨像素的强度平均大于周围组织的假设。然而，由于周围存在高强度的组织，这种假设可能并不总是正确的。综上，现存的头围拟合算法具有鲁棒性差且耗时较长的缺点。实现对胎儿超声图像的快速、精确的测量是亟待解决的问题。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于超声图像的胎儿头围全自动测量方法和装置，其可克服现有技术中胎儿超声图像的测量方法时间长、精确度低、缺乏临床应用的缺陷，具有快速、准确的优点。本专利技术的目的通过以下的技术方案实现：一种基于超声图像的胎儿头围全自动测量方法，包括步骤：S1、获取胎儿头部二维超声图像；S2、分割出ROI区域；S3、获取ROI区域的轮廓；S4、对上述胎儿头部的ROI区域的轮廓进行椭圆拟合；S5、计算胎儿头围长度。本专利技术方法基于深度学习方法和图像处理技术实现，可以快速准确的集合超声图像中的胎儿颅骨，根据像素之间与实际长度的对应关系可计算出胎儿的头围。进一步地，所述的步骤S2如下：S201、构建用于二维图像分割的强化监督全卷积神经网络模型；S202、通过数据增强的方式将用于训练神经模型的二维超声图像及其对应的二值标记图像进行等数量的扩增；S203、使用反向传播算法对网络进行迭代优化；S204、使用经优化的网络模型对二维超声图像进行语义分割，初步得到胎儿头部的ROI区域。更进一步地，所述的步骤S201中通过调整不同数量的网络输出层以计算出多误差，通过多误差函数加权求和并同时优化实现加强网络的监督，误差函数均采用Dicecoefficient形式。更进一步地，所述的步骤S201中全卷积神经网络模型卷积层中采用维度为三维及以上维度的卷积核。更进一步地，所述的步骤S201中全卷积神经网络模型加入dropout方法抑制过拟合现象，和batchnormalization方法加快网络传播速度，并在网络的各阶段加入了残差连接。更进一步地，所述的步骤S202中数据增强的方式包括以下任意一种或多种：：采用图像几何变换方法，包括：旋转、缩放、平移；采用图像灰度增强方法，包括：灰度拉伸、灰度压缩、灰度裁剪、灰度平移；采用图像复原处理方法，包括：添加噪声、图像滤波等方式实现对图像数量的扩增。更进一步地，所述的步骤S203中所用反向传播算法为adam算法，通过调整多个误差函数的权重，实现整个网络的误差优化。进一步地，所述的步骤S3包括以下步骤：S301、对步骤S2分割出的ROI区域进行筛选，首先将ROI区域进行连通域标记，记数量为M，分别计算M个连通域区域像素点面积，选取像素点面积最大的连通域保留，删除其他连通域并输出图像，记筛选出的图像为It；S302、选取图像It中的目标区域，记图像为Ie，将图像Ie与未经处理的原始超声图像进行与运算，接着将运算后的结果图像以目标区域的中点为圆心进行极坐标变换，记图像为If，然后对图像If进行路径动态规划算法处理，获取胎儿颅骨最外层边界轮廓，记图像为Iz，最后将图像Iz进行图像的极坐标反变换，得到胎儿头部最终轮廓。更进一步地，所述的步骤S302中的图像It的目标区域的选取方法包括以下任意一种或多种：选取图像It中连通区域的最大外截矩形区域；选取图像It中连通区域轮廓的椭圆圆环区域。更进一步地，所述的步骤S302中的路径动态规划算法，其方式包括以下任意一种或多种：基于二维图像灰度的路径动态规划；基于二维图像概率图的路径动态规划；基于二维图像梯度的路径动态规划。一种基于超声图像的胎儿头围全自动测量装置，包括：图像采集模块，用于获取胎儿头部二维超声图像；模型分割模块，用于构建全卷积神经网络，根据全卷积神经网络对胎儿头部的二维超声图像进行语义分割，从中初步分割出ROI区域；轮廓提取模块，用于获取ROI区域的轮廓；轮廓拟合模块，用于对轮廓提取模块提取的胎儿头部的ROI区域的轮廓进行椭圆拟合；胎儿头围计算模块，用于根据椭圆计算胎儿头围长度。本专利技术与现有技术相比，具有如下优点和有益效果：本专利技术公开了一种胎儿二维超声图像的快速全自动测量方法，通过构建胎儿头围ROI区域的机器学习分割网络，对超声图像中的像素点进行分类，得到胎儿头围初步的ROI区域，然后应用二值图像的形态学处理方法滤除图像噪声，从而获取获得胎儿部准确的ROI区域，再对ROI图像基于二维图像的路径规划算法处理，得到胎儿头部的边缘特征，并对边缘特征进行椭圆拟合算法拟合，得到头围的椭圆，最终计算得到头围的长度。另外，本专利技术采用图像分割算法对胎儿头部感兴趣区域进行分割，同时动态规划算法进行ROI区域轮廓提取，提高了检测速度和准确率，也避免了繁琐的图像特征值提取工作。附图说明图1为本专利技术实施例1所述胎儿头围全自动测量方法的流程图。图2为实施例1的一种神经网络模型图。图3(a)是本文档来自技高网...

【技术保护点】
1.一种基于超声图像的胎儿头围全自动测量方法，其特征在于，包括步骤：/nS1、获取胎儿头部二维超声图像；/nS2、分割出ROI区域；/nS3、获取ROI区域的轮廓；/nS4、对上述胎儿头部的ROI区域的轮廓进行椭圆拟合；/nS5、计算胎儿头围长度。/n

【技术特征摘要】
1.一种基于超声图像的胎儿头围全自动测量方法，其特征在于，包括步骤：
S1、获取胎儿头部二维超声图像；
S2、分割出ROI区域；
S3、获取ROI区域的轮廓；
S4、对上述胎儿头部的ROI区域的轮廓进行椭圆拟合；
S5、计算胎儿头围长度。


2.根据权利要求1所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S2如下：
S201、构建用于二维图像分割的强化监督全卷积神经网络模型；
S202、通过数据增强的方式将用于训练神经模型的二维超声图像及其对应的二值标记图像进行等数量的扩增；
S203、使用反向传播算法对网络进行迭代优化；
S204、使用经优化的网络模型对二维超声图像进行语义分割，初步得到胎儿头部的ROI区域。


3.根据权利要求2所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S201中通过调整不同数量的网络输出层以计算出多误差，通过多误差函数加权求和并同时优化实现加强网络的监督，误差函数均采用Dicecoefficient形式。


4.根据权利要求2所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S201中全卷积神经网络模型卷积层中采用维度为三维及以上维度的卷积核；
所述的步骤S201中全卷积神经网络模型加入dropout方法抑制过拟合现象，和batchnormalization方法加快网络传播速度，并在网络的各阶段加入了残差连接。


5.根据权利要求2所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S202中数据增强的方式包括以下任意一种或多种：
图像几何变换方法；
图像灰度增强方法；
图像复原处理方法。


6.根据权利要求2所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S203中所用反向传播算法为adam算法，通过调整多个...

【专利技术属性】
技术研发人员：陆尧胜，袁超，周铭鸿，齐建国，杨梓铎，黄晓聪，
申请(专利权)人：暨南大学，
类型：发明
国别省市：广东;44