【技术实现步骤摘要】
胎儿超声切面图像自动质控系统及检测方法
本专利技术涉及产前超声检查
,特别的,涉及一种胎儿超声切面图像自动质控系统及检测方法。
技术介绍
目前,胎儿超声检查是产前诊断与缺陷儿筛查的首选检查方法。然而,由于胎位的不确定性、母体的体重指数、医生操作手法、超声物理特性、胎儿运动等因素的影响,超声检查所获得的胎儿超声切面图像清晰度、标准度往往存在很大差异,从而极大影响了检查结果的准确性。因此,有必要对胎儿超声切面图像进行质量控制(QualityControl,简称QC)。现有的对胎儿超声切面图像进行质量控制的方法,主要是通过医院组织大量专家对胎儿超声切面图像进行主观评价和客观评分的方式,具体是通过判断胎儿超声切面图像中关键解剖结构是否存在、以及该关键解剖结构的几何形状是否标准来定量评估切面图像。然而,该方法存在一些不可忽略的缺陷:首先,该方法需要消耗大量的人力和物力,在实际临床中难以广泛推广应用;其次,不同医师对胎儿超声切面图像是否标准的认知不尽相同,这会导致质量控制结果出现不一致性。
技术实现思路
本专利技术目的在于提供一种对胎儿超声切面数据高速、精准检测的胎儿超声切面图像自动质控系统。同时,还提供一种采用所述胎儿超声切面图像自动质控系统的检测方法。一种胎儿超声切面图像自动质控系统,包括胎儿超声切面数据采集模组、胎儿超声切面数据预处理模组、具深度学习分割网络U-Net数据处理模型的胎儿超声切面数据评估模组及胎儿超声切面数据反馈模组,所述胎儿超声切面数据采集模组用于超 ...
【技术保护点】
1.一种胎儿超声切面图像自动质控系统,其特征在于,所述胎儿超声切面图像自动质控系统包括:/n胎儿超声切面数据采集模组,用于超声检测胎儿,获得原始胎儿超声切面数据;/n胎儿超声切面数据预处理模组,用于接收来自所述胎儿超声切面数据采集模组的原始胎儿超声切面数据并预处理,获得预处理后的胎儿超声切面数据;/n具深度学习分割网络U-Net数据处理模型的胎儿超声切面数据评估模组,用于接收预处理后的胎儿超声切面数据并经所述深度学习分割网络U-Net模型输出评估结果;及/n胎儿超声切面数据反馈模组,用于依据所述胎儿超声切面数据评估模组的评估结果反馈胎儿超声切面数据的分数和质量报告。/n
【技术特征摘要】
1.一种胎儿超声切面图像自动质控系统,其特征在于,所述胎儿超声切面图像自动质控系统包括:
胎儿超声切面数据采集模组,用于超声检测胎儿,获得原始胎儿超声切面数据;
胎儿超声切面数据预处理模组,用于接收来自所述胎儿超声切面数据采集模组的原始胎儿超声切面数据并预处理,获得预处理后的胎儿超声切面数据;
具深度学习分割网络U-Net数据处理模型的胎儿超声切面数据评估模组,用于接收预处理后的胎儿超声切面数据并经所述深度学习分割网络U-Net模型输出评估结果;及
胎儿超声切面数据反馈模组,用于依据所述胎儿超声切面数据评估模组的评估结果反馈胎儿超声切面数据的分数和质量报告。
2.根据权利要求1所述的胎儿超声切面图像自动质控系统,其特征在于,所述原始胎儿超声切面数据包括多个原始胎儿超声切面图像信息、多个关键结构信息和多个位置参数信息,且所述关键结构信息和位置参数信息与所述原始胎儿超声切面图像信息相对应。
3.根据权利要求1所述的胎儿超声切面图像自动质控系统,其特征在于,所述胎儿超声切面数据预处理模组对所述胎儿超声切面数据采集模组的原始胎儿超声切面数据的预处理包括依次设置的删除冗余处理、滤波去噪处理、归一化处理及图像增强处理。
4.根据权利要求1所述的胎儿超声切面图像自动质控系统,其特征在于,所述胎儿超声切面数据评估模组对所述预处理后的胎儿超声切面数据的评估结果包括判定所述胎儿超声切面图像是否是标准胎儿超声切面图像。
5.根据权利要求1所述的胎儿超声切面图像自动质控系统,其特征在于,所述深度学习分割网络U-Net数据处理模型的网络结构包括依次逻辑设置的:
第一层是输入层,其输入为512*512*3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2,该层使用SAME模式填充,输出大小为512*512*32的矩阵;
第三层是最大池化2D层,池化窗口尺寸大小为3*3,长和宽的步长均为2,该层输出的矩阵为256*256*32;后接一层卷积层,其卷积核尺寸为3*3*3,卷积核个数为64,步长为2,该层使用SAME模式填充,输出大小为256*256*64的矩阵;
第四层是最大池化2D层,池化窗口尺寸大小为3*3,长和宽的步长均为2,该层输出的矩阵为128*128*64;后接两层卷积层,其卷积核尺寸为3*3*3,卷积核个数为128,步长为2,该层使用SAME模式填充,输出大小为128*128*128的矩阵;
第五层是最大池化2D层,池化窗口尺寸大小为3*3,长和宽的步长均为2,该层输出的矩阵为64*64*128;后接两层卷积层,其卷积核尺寸为3*3*3,卷积核个数为256,步长为2,该层使用SAME模式填充,输出大小为64*64*256的矩阵;
第六层是最大池化2D层,池化窗口尺寸大小为3*3,长和宽的步长均为2,该层输出的矩阵为32*32*256;后接两层卷积层,其卷积核尺寸为3*3*3,卷积核个数为512,步长为2,该层使用SAME模式填充,输出大小为32*32*512的矩阵;后接一层转置卷积层,其卷积核尺寸为4*4*4,转置卷积核个数为256,该层使用2倍上采样操作,输出大小为64*64*256的矩阵;
第七层是相加层,把第五层的结果与第六层的结果进行相加,输出矩阵大小为64*64*512;
第八层是卷积层,其卷积核尺寸为3*3*3,卷积核个数为256,步长为1,后面接入RELU激活函数和批量正则化(BatchNormalization,简称BN),该层使用SAME模式填充,输出大小为64*64*256的矩阵;
第九层是卷积层,其卷积核大小为3*3*3,卷积核个数为256,步长为1,后面接入RELU激活函数和BN,该层使用SAME模式填充,输出大小为64*64*256的矩阵;后接一层转置卷积层,其卷积核尺寸为4*4*4,转置卷积核个数为128,该层使用2倍上采样操作,输出大小为128*128*128的矩阵;
第十层是相加层,把第四层的结果与第九层的结果进行相加,输出矩阵大小为128*128*256;
第十一层是卷积层,其卷积核大小为3*3*3,卷积核个数为128,步长为1,后面接入RELU激活函数和BN,该层使用SAME模式填充,输出大小为128*128*128的矩阵;
第十二层是卷积层,其卷积核大小为3*3*3,卷积核个数为128,步长为1,后面接入RELU激活函数和BN,该层使用SAME模式填充,输出大小为128*128*128的矩阵;后接一层转置卷积层,其卷积核尺寸为4*4*4,转置卷积核个数为64,该层使用2倍上采样操作,输出大小为256*256*64的矩阵;
第十三层是相加层,把第三层的结果与第十二层的结果进行相加,输出矩阵大小为256*256*128;
第十四层是卷积层,其卷积核大小为3*3*3,卷积核个数为64,步长为1,后面接入RELU激活函数和BN,该层使用SAME模式填充,输出大小为256*256*64的矩阵;
第十五层是卷积层,其卷积核大小为3*3*3,卷积核个数为64,步长为1,后面接入RELU激活函数和BN,该层使用SAME模式填充,输出大小为256*256*64的矩阵;后接一层转置卷积层,其卷积核尺寸为4*4*4,转置卷积核个数为32,该层使用2倍上采样操作,输出大小为512*512*32的矩阵;
第十六层是相加层,把第二层的结果与第十五层的结果进行相加,输出矩阵大小为512*512*64;
第十七层是卷积层,其卷积核大小为3*3*3,卷积核个数为32,步长为1,后面接入RELU激活函数和BN,该层使用SAME模式填充,输出大小为512*521*...
【专利技术属性】
技术研发人员:李胜利,李肯立,朱宁波,文华轩,谭光华,黄诗华,蒲斌,
申请(专利权)人:长沙大端信息科技有限公司,
类型:发明
国别省市:湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。