基于卷积神经网络的婴儿头围CT图像自动测量方法技术

本发明专利技术涉及一种基于卷积神经网络的婴儿头围CT图像自动测量方法。该方法包括：S1使用Cycle‑GAN结构及数据增强方式进行数据增强；S2利用得到的数据增强后的HC超声图像构建分割模型，基于Unet、引入注意力机制、空洞卷积构建分割模型；S3构建损失函数；S4对于分割结果进行后续处理。本发明专利技术解决了在HC自动测量中采用非端对端、准确率不佳的问题，应用深度学习图像分割技术，自动从HC超声影像中学习图像特征，以端对端的方式完成HC自动测量任务，同时保证了较高准确率。

Automatic measurement of CT image of infant's head circumference based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的婴儿头围CT图像自动测量方法
本专利技术涉及医疗图像处理
，具体地涉及一种基于卷积神经网络的婴儿头围CT图像自动测量方法。
技术介绍
目前，由于超声影像技术的低价、实时及非侵入性成像方法，因此广泛用于孕妇的监测和筛查中。但是超声影像成像好坏往往依赖于医生个人经验和水平，常常会产生伪影、斑纹等影响医生判断的噪声。在超声波筛查检查时，胎儿的生物特征测量如冠尾长度(Crown-rumplength,CRL)、婴儿头围(Headcircumference,HC)经常被用于测定胎龄，同时监测胎儿生长状况。在胎儿12周大以前，用冠尾长度来评估胎龄是最为精确的办法，在13周后，由于不可能获得CRL的数据，因此HC成为最为重要的生理指标。在相关检测准则中，需要在中心回声状态下获取婴儿头部的一个横截面成像，此过程往往会受其它器官成像遮挡及其它因素影响，对医生要求水平较高，若医生水平较低，就有可能做出错误的判断。据统计，在世界范围内，99％的孕产妇死亡发生在发展中国家，分娩前后的护理可挽救妇女和新生儿的生命。不幸的是，在资源匮乏的情况下，发本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的婴儿头围CT图像自动测量方法，其特征在于，所述方法包括：/nS1：使用Cycle-GAN结构及数据增强方式进行数据增强；/nS2：利用得到的数据增强后的HC超声图像构建分割模型，基于Unet、引入注意力机制、空洞卷积构建所述分割模型；/nS3：构建损失函数；以及/nS4：对于分割结果进行后续处理。/n

【技术特征摘要】
1.一种基于卷积神经网络的婴儿头围CT图像自动测量方法，其特征在于，所述方法包括：
S1：使用Cycle-GAN结构及数据增强方式进行数据增强；
S2：利用得到的数据增强后的HC超声图像构建分割模型，基于Unet、引入注意力机制、空洞卷积构建所述分割模型；
S3：构建损失函数；以及
S4：对于分割结果进行后续处理。


2.根据权利要求1所述的方法，其特征在于，
在S1中，所述数据包括无标测试数据和训练数据。


3.根据权利要求1所述的方法，其特征在于，
在S1中，所述Cycle-GAN结构利用对抗的方式将随机变量映射为图片，在GAN的基础上...

【专利技术属性】
技术研发人员：杜强，黄丹，郭雨晨，聂方兴，边作鹏，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：北京;11