一种基于深度学习的小儿髋关节超声图像质量检测方法技术

本发明专利技术提供了一种基于深度学习的小儿髋关节超声图像质量检测方法，包括一个构建小儿髋关节二维冠状位超声图像数据库的步骤；小儿髋关节二维冠状位超声图像数据库包含构建手工标记数据集和标准性判定数据集；一个基于深度学习方法的对小儿髋关节超声图像的七个关键结构进行分割训练的步骤；在分割训练的步骤中，输出带有七个解剖结构分割标记的超声图像；依据Graf超声诊断技术的图像质量标准建立图像质量检测方法；将标准性判定数据集中的所有图像作为输入，对该图像质量检测方法进行测试，最终输出基于分割结果的图像质量检测结果，即“图像标准”或“图像不标准”两种结果。两种结果。两种结果。

【技术实现步骤摘要】
一种基于深度学习的小儿髋关节超声图像质量检测方法


[0001]本专利技术涉及物理领域，尤其涉及超声图像处理方法，具体来说是一种基于深度学习的小儿髋关节超声图像质量检测方法。

技术介绍

[0002]发育性髋关节发育不良(Developmental Dysplasia of the Hip，DDH)是新生儿最常见的先天性疾病之一。目前，超声检查尤其是格拉夫超声技术是0
‑
6月大DDH患儿首选的检查方式，但是其主要诊断指标在不同医师、不同扫描间的差异性很大，而这种差异主要是由于图像采集不标准导致的。更为重要的是，目前在小儿髋关节超声图像采集标准化上的研究有着明显的不足，且无法得到很好的临床应用。因此，用于小儿髋关节超声图像的标准化方法对于小儿髋关节发育情况的检测有着极其重要的临床意义，对于减少误诊、漏诊也有着极大的帮助。
[0003]2017年最新的格拉夫超声诊断技术的标准规范指出：除脱位或半脱位髋关节之外，对其余类型的髋关节进行测量和诊断之前，必须首先满足超声图像的标准性。超声图像是否标准首先要确定髋关节冠状切面中必要的七本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的小儿髋关节超声图像质量检测方法，其特征在于包括以下步骤：1）一个构建小儿髋关节二维冠状位超声图像数据库的步骤；所述的小儿髋关节二维冠状位超声图像数据库包含构建手工标记数据集和标准性判定数据集；2）一个基于深度学习方法的对小儿髋关节超声图像的七个关键结构进行分割训练的步骤；在分割训练的步骤中，输出带有骨
‑
软骨交界面、股骨头、滑膜皱襞、关节囊与软骨膜、关节盂唇、软骨顶、骨性顶七个解剖结构分割标记的超声图像；3）依据格拉夫超声诊断技术的图像质量标准建立小儿髋关节超声图像质量检测方法；4）将步骤1）所述的标准性判定数据集中的所有图像作为输入，对该图像质量检测方法进行测试，最终输出基于分割结果的图像质量检测结果，即“图像标准”或“图像不标准”两种结果。2.根据权利要求1所述的一种基于深度学习的小儿髋关节超声图像质量检测方法，其特征在于：步骤1：在所述的构建小儿髋关节二维冠状位超声图像数据库的过程中，所述的小儿髋关节二维冠状位超声图像数据库包括手工标记数据集和标准性判定数据集；所述的小儿髋关节二维冠状位超声图像数据库内的超声图像是指根据格拉夫超声诊断技术采集到的0
‑
6月大发育性髋关节发育不良患儿的髋关节二维冠状位超声图像；步骤1.1：在所述的构建小儿髋关节二维冠状位超声图像数据库的过程中，包括一个构建手工标记小儿髋关节二维冠状位超声图像数据集的过程；所述的手工标记数据集是指对所有小儿髋关节二维冠状位超声标准图像的7个解剖学结构分别进行标记，所述的7个解剖学结构包括：骨
‑
软骨交界面、股骨头、滑膜皱襞、关节囊与软骨膜、关节盂唇、软骨顶、骨性顶，满足上述的小儿髋关节二维冠状位超声标准图像的7个解剖学结构的数据集用于图像分割任务的训练和交叉验证，手工标记数据集中的图像大于或者等于200幅；步骤1.2：在所述的构建小儿髋关节二维冠状位超声图像数据库的过程中，还包括一个构建小儿髋关节二维冠状位超声图像标准性判定数据集的过程，所述的小儿髋关节二维冠状位超声图像标准性判定数据集是指包含标准图像和不标准图像的无人工注释的发育性髋关节发育不良患儿超声图像数据集，标准图像是指骨
‑
软骨交界面、股骨头、关节盂唇、关节囊与软骨膜、滑膜皱襞、软骨顶、骨性顶七个解剖结构完整存在，同时中间切面、关节盂唇中心点、髂骨下缘最低点完整可用；不标准图像则是指不满足上述标准图像中任意一个解剖结构要求的图像；标准图像和不标准图像的数量均大于或者等于50幅；步骤2：在所述的基于深度学习的方法对小儿髋关节超声图像的七个关键结构进行分割训练的步骤中；步骤2.1：在对基于深度学习的对小儿髋关节超声图像的七个关键结构进行分割训练的步骤中，使用步骤1.1中所述的手工标记数据集，将其按照8：1：2的比例把超声图像数据集随机分成训练集、验证集和测试集，对训练集中的图像进行图像扩增操作，通过使用水平翻转、垂直翻转、向右旋转90
°
、向右旋转270
°
、高斯噪声、高斯模糊、伽马变换和归一化的图像处理方式将图片数量增加到原来的9倍；步骤2.2：将步骤2.1中的训练集和验证集中的图像数据输入深度学习图像分割网络中进行训练，得到训练好的可分割发育性髋关节发育不良超声图像中七个解剖点的DDH超声
图像分割网络；步骤2.3：将步骤2.1中的测试集图像数据中每个图像传入已经训练完成的步骤2.2的DDH超声图像分割网络中，输出带有骨
‑
软骨交界面、股骨头、关节盂唇、关节囊与软骨膜、滑膜皱襞、软骨顶、骨性顶七个解剖结构分割标记的超声图像；通过对网络的测试训练，保存测试集上最佳性能的模型最为最终模型；步骤3：在所述的依据格拉夫超声诊断技术的图像质量标准建立小儿髋关节七个关键结构图像质...

【专利技术属性】
技术研发人员：姜立新，刘梦瑶，盛斌，刘茹涵，姚一静，王芮，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：