一种超声图像中胎儿头部容积的自动检测方法和系统技术方案

本发明专利技术公开了一种超声图像中胎儿头部容积的自动检测方法，旨在从胎儿颅脑的三维超声容积数据中智能检测胎儿的头部容积，该方法包括以下步骤：首先，获取大量胎儿颅脑三维超声容积数据和医生标注的胎儿颅脑的位置构成的数据集；随后，用获取的数据集训练3D FCN网络；最后，将新的胎儿颅脑三维超声数据输入到训练好的3D FCN网络中，以检测出每个胎儿颅脑三维超声数据中的胎儿头部容积。本发明专利技术能够解决现有胎儿颅脑容积的检测方法中存在的图像清晰度和准确性较差的技术问题，以及超声医师的工作量大导致影响该检测方法广泛应用的技术问题，以及由于不同水平的超声医生使用该检测方法会得到不同的诊断结果所导致的检测结果不一致的技术问题。

An automatic detection method and system of fetal head volume in ultrasound image

【技术实现步骤摘要】
一种超声图像中胎儿头部容积的自动检测方法和系统
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头部容积的自动检测方法和系统。
技术介绍
胎儿颅内结构异常是最常见的先天畸形之一，其发生率为1％-3％，不同程度的影响胎儿母体内及出生后的神经功能。因此孕期胎儿颅脑发育状态的检测具有重要的临床意义。除了结构评价外，颅内各结构发育的大小也具有重要的临床意义，可用于评估多种颅脑结构(包括全脑、小脑半球和小脑蚓部等)是否存在发育不全。目前在常规胎儿超声中评价胎儿颅脑发育情况最常用的指标是双顶径、头围和小脑横径。可是从严格意义上而言，容积数值能比径线数值更准确的反映器官的生长水平，这也在一些胎儿的其他器官评价中得到证实。现有的胎儿颅脑容积的检测方法是假设胎儿颅脑为一个规则形态球体，以二维径线的方式推算胎儿的头部容积。然而，该方法存在一些不可忽略的缺陷：第一，由于手动检测的速度及方向的不稳定性，以及因为检测过程耗时过长导致孕妇或胎儿活动进而造成运动伪像等不可控因素，会导致最终得到的图像清晰度差，检测准确性不高；第二，由于胎儿颅脑是三维立体结构，转换为二维切面由医生进行标注时需要耗费很长时间，导致超声医师的工作量大，进而影响了该方法的广泛应用；第三，不同水平的超声医生使用该方法会得到不同的诊断结果，造成了检测结果的不一致。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种超声图像中胎儿头部容积的自动检测方法和系统，其目的在于，通过获取大量胎儿颅脑三维超声数据，用获取的数据集训练全卷积网络，将新的胎儿颅脑三维超声影像输入到训练好的全卷积网络中，以计算出每个三维超声影像中的头部容积，解决现有胎儿颅脑容积的检测方法中存在的图像清晰度和准确性较差的技术问题，以及超声医师的工作量大导致影响该检测方法广泛应用的技术问题，以及由于不同水平的超声医生使用该检测方法会得到不同的诊断结果所导致的检测结果不一致的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种超声图像中胎儿头部容积的自动检测方法，包括以下步骤：(1)获取数据集；(2)对步骤(1)获取的数据集进行预处理，以得到预处理后的胎儿颅脑三维超声数据集。(3)将步骤(2)预处理后的胎儿颅脑三维超声数据集输入训练好的3DFCN网络中，以得到胎儿颅脑三维超声数据的体素。(4)使用步骤(3)中得到的胎儿颅脑三维超声数据的体素计算胎儿头部容积。优选地，数据集包括从三维超声设备获取的胎儿颅脑三维超声数据、以及超声医师为每个胎儿颅脑三维超声数据手工标注的胎儿颅脑位置信息。优选地，步骤(2)中对步骤(1)获取的数据集进行预处理是采用中值滤波法。优选地，头部容积V的计算公式为：V＝VP×Uv，其中Vp为步骤(3)中得到的体素，Uv为单位体素的体积。优选地，3DFCN网络是通过如下步骤训练得到的：A、获取数据集，其包括从三维超声设备获取的胎儿颅脑三维超声数据、以及超声医师为每个胎儿颅脑三维超声数据手工标注的胎儿颅脑位置信息；B、对步骤A获取的数据集采用中值滤波法进行去噪处理，对去噪后的数据集进行归一化处理，并将归一化处理后的数据集随机划分为训练集、验证集、以及测试集；C、将步骤B归一化处理后的数据集中的训练集输入到3DFCN网络中，以获得胎儿头部容积的推理输出，将该推理输出输入到3DFCN网络中的损失函数中，以获取损失值。D、根据随机梯度下降算法并使用步骤C得到的损失值对3DFCN网络中的损失函数进行优化，以更新3DFCN网络；E、针对步骤B得到的数据集中的训练集部分中的剩余数据集，重复执行上述步骤C和步骤D，直到3DFCN网络收敛到最佳为止，从而得到训练好的3DFCN网络。优选地，损失函数是：L(x,y)＝(x-y)2，其中x是超声医师根据手工标注的胎儿颅脑位置信息获取的胎儿头部容积，其具体等于超声医师根据手工标注的胎儿颅脑位置信息获取的体素与单位体素的体积之间的乘积，y是胎儿头部容积的推理输出。优选地，3DFCN网络的网络结构如下：第一层是输入层，其输入为128*128*128*1像素的矩阵；第二层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为32，步长为1，该层使用SAME模式填充，输出大小为128*128*128*32的矩阵；第三层是池化层，池化窗口尺寸为2*2*2，步长为(2，2，2)，该层输出矩阵为64*64*64*32；第四层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为64，步长为1，该层使用SAME模式填充，输出大小为64*64*64*64的矩阵；第五层是池化层，池化窗口尺寸为2*2*2，步长为(2，2，2)，该层输出矩阵为32*32*32*64；第六层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为128，步长为1，该层使用SAME模式填充，输出大小为32*32*32*128的矩阵；第七层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为128，步长为1，该层使用SAME模式填充，输出大小为32*32*32*128的矩阵；第八层是池化层，池化窗口尺寸为2*2*2，步长为(2，2，2)，该层输出矩阵为16*16*16*128；第九层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为256，步长为1，该层使用SAME模式填充，输出大小为16*16*16*256的矩阵；第十层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为256，步长为1，该层使用SAME模式填充，输出大小为16*16*16*256的矩阵；第十一层是反卷积层，其反卷积核尺寸为4*4*4，反卷积核个数为128，该层使用2倍上采样操作，输出大小为32*32*32*128的矩阵；第十二层是卷积层，其卷积核尺寸为1*1*1，卷积核个数为128，步长为1，该层使用SAME模式填充，输出大小为32*32*32*128的矩阵；第十三层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为128，步长为1，该层使用SAME模式填充，输出大小为32*32*32*128的矩阵；第十四层是反卷积层，其反卷积核尺寸为4*4*4，反卷积核个数为64，该层使用2倍上采样操作，输出大小为64*64*64*64的矩阵；第十五层是卷积层，其卷积核尺寸为1*1*1，卷积核个数为64，步长为1，该层使用SAME模式填充，输出大小为64*64*64*64的矩阵；第十六层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为64，步长为1，该层使用SAME模式填充，输出大小为64*64*64*64的矩阵；第十七层是反卷积层，其反卷积核尺寸为4*4*4，反卷积核个数为32，该层使用2倍上采样操作，输出大小为128*128*128*32的矩阵；第十八层是卷积层，其卷积核尺寸为1*1*1，步长为1，卷积核个数为32，该层使用SAME模式填充，输出大小为128*128*128*32的矩阵；...

【技术保护点】
1.一种超声图像中胎儿头部容积的自动检测方法，其特征在于，包括以下步骤：/n(1)获取数据集；/n(2)对步骤(1)获取的数据集进行预处理，以得到预处理后的胎儿颅脑三维超声数据集。/n(3)将步骤(2)预处理后的胎儿颅脑三维超声数据集输入训练好的3D FCN网络中，以得到胎儿颅脑三维超声数据的体素。/n(4)使用步骤(3)中得到的胎儿颅脑三维超声数据的体素计算胎儿头部容积。/n

【技术特征摘要】
1.一种超声图像中胎儿头部容积的自动检测方法，其特征在于，包括以下步骤：
(1)获取数据集；
(2)对步骤(1)获取的数据集进行预处理，以得到预处理后的胎儿颅脑三维超声数据集。
(3)将步骤(2)预处理后的胎儿颅脑三维超声数据集输入训练好的3DFCN网络中，以得到胎儿颅脑三维超声数据的体素。
(4)使用步骤(3)中得到的胎儿颅脑三维超声数据的体素计算胎儿头部容积。


2.根据权利要求1所述的超声图像中胎儿头部容积的自动检测方法，其特征在于，数据集包括从三维超声设备获取的胎儿颅脑三维超声数据、以及超声医师为每个胎儿颅脑三维超声数据手工标注的胎儿颅脑位置信息。


3.根据权利要求1所述的超声图像中胎儿头部容积的自动检测方法，其特征在于，步骤(2)中对步骤(1)获取的数据集进行预处理包括先后执行的中值滤波处理和归一化处理。


4.根据权利要求1所述的超声图像中胎儿头部容积的自动检测方法，其特征在于，头部容积V的计算公式为：V＝VP×Uv，其中Vp为步骤(3)中得到的体素，Uv为单位体素的体积。


5.根据权利要求1所述的超声图像中胎儿头部容积的自动检测方法，其特征在于，3DFCN网络是通过如下步骤训练得到的：
A、获取数据集，其包括从三维超声设备获取的胎儿颅脑三维超声数据、以及超声医师为每个胎儿颅脑三维超声数据手工标注的胎儿颅脑位置信息；
B、对步骤A获取的数据集采用中值滤波法进行去噪处理，对去噪后的数据集进行归一化处理，并将归一化处理后的数据集随机划分为训练集、验证集、以及测试集；
C、将步骤B归一化处理后的数据集中的训练集输入到3DFCN网络中，以获得胎儿头部容积的推理输出，将该推理输出输入到3DFCN网络中的损失函数中，以获取损失值。
D、根据随机梯度下降算法并使用步骤C得到的损失值对3DFCN网络中的损失函数进行优化，以更新3DFCN网络；
E、针对步骤B得到的数据集中的训练集部分中的剩余数据集，重复执行上述步骤C和步骤D，直到3DFCN网络收敛到最佳为止，从而得到训练好的3DFCN网络。


6.根据权利要求5所述的超声图像中胎儿头部容积的自动检测方法，其特征在于，损失函数是：L(x,y)＝(x-y)2，其中x是超声医师根据手工标注的胎儿颅脑位置信息获取的胎儿头部容积，其具体等于超声医师根据手工标注的胎儿颅脑位置信息获取的体素与单位体素的体积之间的乘积，y是胎儿头部容积的推理输出。


7.根据权利要求5所述的超声图像中胎儿头部容积的自动检测方法，其特征在于，3DFCN网络的网络结构如下：
第一层是输入层，其输入为128*128*128*1像素的矩阵；
第二层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为32，步长为1，该层使用SAME模式填充，输出大小为128*128*128*32的矩阵；
第三层是池化层，池化窗口尺寸为2*2*2，步长为(2，2，2)，该层输出矩阵为64*64*64*32；
第四层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为64，步长为1，该层使用SAME模式填充，输出大小为6...

【专利技术属性】
技术研发人员：李肯立，李胜利，翟宇轩，朱宁波，文华轩，
申请(专利权)人：李胜利，
类型：发明
国别省市：广东;44