一种超声图像中胎儿标准切面的自动识别方法和系统技术方案

本发明专利技术属于产前超声检查技术领域，并公开了一种超声图像中胎儿标准切面的自动识别方法，包括以下步骤：获取数据集，对获取的数据集进行预处理操作，以得到预处理数据集，将得到的预处理数据集输入训练好的深度卷积神经网络中，以得到每幅胎儿超声切面图像中所包含的目标的类别和位置。深度卷积神经网络包括顺次连接的骨干网ResNet‑50、特征金字塔网络、分类子网、以及定位子网。本发明专利技术能够解决现有标准切面的识别方法中存在的对医生的技术要求相当高、不同医生的检查结果存在差异所导致的准确性和一致性偏低、以及检查时间过长的技术问题。

An automatic recognition method and system of fetal standard section in ultrasound image

The invention belongs to the technical field of prenatal ultrasound examination, and discloses an automatic identification method of fetal standard section in ultrasound image, which includes the following steps: acquiring data set, preprocessing the acquired data set to obtain the preprocessing data set, inputting the acquired preprocessing data set into the trained deep convolution neural network to obtain each fetal ultrasound section The category and location of the targets contained in the image. The deep convolution neural network includes RESNET \u2011 50, feature pyramid network, classification subnet and location subnet. The invention can solve the technical problems of high technical requirements for doctors, low accuracy and consistency caused by different inspection results of different doctors, and long inspection time in the existing recognition method of standard section.

【技术实现步骤摘要】
一种超声图像中胎儿标准切面的自动识别方法和系统
本专利技术属于产前超声检查
，更具体地，涉及一种超声图像中胎儿标准切面的自动识别方法和系统。
技术介绍
超声成像由于其低消耗、实时成像及无辐射的优点，目前已经被广泛应用于妊娠诊断中。在利用超声成像进行胎儿疾病超声诊断的过程中，超声医师首先需要获取胎儿各个标准切面，然后对标准切面进行识别，通过标准切面检查主要解剖结构，随后再进行进一步的诊断和检查，根据胎儿生长情况以及胎儿解剖结构是否异常做出分析和诊断。在目前的超声诊断过程中，标准切面的识别主要是基于二维超声扫描人工获取标准切面或三维超声容积数据基础上进行人工标注点和线来获取。然而，该识别方法存在一些不可忽略的缺陷：首先，由于其过度地依赖于超声医师的临床经验以及解剖结构知识，因此标准切面的获取对超声医师的技术要求相当高；其次，由于不同的超声医师对标准切面的识别结果存在差异性，从而造成检查结果的准确性和一致性偏低；最后，现有识别方法对孕妇的检查时间过长，超声医师检查过程中操作频繁，劳动强度大。专利技术内容针对现有技本文档来自技高网...

【技术保护点】
1.一种超声图像中胎儿标准切面的自动识别方法，其特征在于，包括以下步骤：/n(1)获取数据集；/n(2)对步骤(1)中获取的数据集进行预处理操作，以得到预处理数据集。/n(3)将步骤(2)得到的预处理数据集输入训练好的深度卷积神经网络中，以得到每幅胎儿超声切面图像中所包含的目标的类别和位置。/n

【技术特征摘要】
1.一种超声图像中胎儿标准切面的自动识别方法，其特征在于，包括以下步骤：
(1)获取数据集；
(2)对步骤(1)中获取的数据集进行预处理操作，以得到预处理数据集。
(3)将步骤(2)得到的预处理数据集输入训练好的深度卷积神经网络中，以得到每幅胎儿超声切面图像中所包含的目标的类别和位置。


2.根据权利要求1所述的自动识别方法，其特征在于，数据集是从超声设备获取的多帧胎儿超声切面图像。


3.根据权利要求1所述的自动识别方法，其特征在于，步骤(2)中对获取的数据集进行预处理操作包括以下子步骤：
(2-1)针对获取的数据集中的每一幅图像而言，删除该图像中与超声设备参数相关的冗余信息，将图像缩放为800x600像素大小，并使用线性函数对缩放后的图像进行归一化处理，以得到归一化后的图像；
(2-2)对步骤(2-1)归一化后的每一幅图像进行随机增强操作，以得到随机增强后的图像；
(2-3)对步骤(2-2)随机增强后的每一幅图像进行灰度化处理，以得到灰度图片，对得到的灰度图片进行直方图均衡化处理，以得到均衡化后的图片，利用高斯差分函数对灰度图片进行处理，以得到高斯差分图片，并将得到的每一幅灰度图片、以及其对应的均衡化后的图片和高斯差分图片合成为一个三通道图像作为预处理图像，所有的预处理图像构成预处理数据集。


4.根据权利要求1所述的自动识别方法，其特征在于，深度卷积神经网络包括顺次连接的骨干网ResNet-50、特征金字塔网络、分类子网、以及定位子网。


5.根据权利要/4所述的自动识别方法，其特征在于，对于骨干网ResNet-50而言，其网络结构如下：
第一层是输入层，其输入为600*800*3像素的矩阵；
第二层是特征抽取层，其采用的是公开的特征抽取网络Resnet-50，并取特征抽取网络Resnet-50中的conv3.x层、conv4.x层和conv5.x层这三层的输出矩阵作为提取的特征C3、C4、C5，其大小分别是75*100*512、38*50*1024和19*25*2048。


6.根据权利要求5所述的自动识别方法，其特征在于，特征金字塔层对骨干网ResNet-50输入的特征C3、C4、C5进行特征融合，并输出融合后的5个尺度的特征P3、P4、P5、P6、P7，特征金字塔层的网络结构如下：
第一层是在特征C5基础上的卷积层，其卷积核尺寸为1*1*256，步长为1，该层使用SAME模式填充，输出矩阵为19*25*256；
第二层是卷积层，其卷积核尺寸为3*3*256，步长为1，该层使用SAME模式填充，其输出矩阵P5大小为19*25*256；
第三层是在特征C4基础上的卷积层，卷积核尺寸为1*1*256，步长为1，该层使用SAME模式填充，其输出矩阵P4_大小为38*50*256，记为；
第四层是上采样层，其将输出矩阵P5上采样为输出矩阵P5_upsample，其大小为38*50*1024；
第五层是增加层，其将输出矩阵P5_upsample和输出矩阵P4_相加，输出矩阵大小为38*50*1024；
第六层是卷积层，其卷积核尺寸为3*3*256，步长为1，该层使用SAME模式填充，其输出矩阵P4大小为38*50*256；
第七层是在特征C3基础上的卷积层，其卷积核尺寸为1*1*256，步长为1，该层使用SAME模式填充，其输出矩阵P3_大小为75*100*256；
第八层是上采样层，将P4上样到尺寸75*100，其输...

【专利技术属性】
技术研发人员：李肯立，李胜利，谭光华，文华轩，
申请(专利权)人：李肯立，
类型：发明
国别省市：湖南;43