一种胎儿心脏结构分割测量方法、装置及计算机存储介质制造方法及图纸

技术编号:35979251 阅读:39 留言:0更新日期:2022-12-17 22:49
本发明专利技术公开了一种胎儿心脏结构分割测量方法、装置及计算机存储介质,该方法包括将获取到的胎儿心脏超声图像输入到已经训练的图像深度学习分割模型中进行分析,并获取所述图像深度学习分割模型输出的分割结果,作为所述胎儿心脏超声图像的特征信息,所述胎儿心脏超声图像的特征信息包括该胎儿心脏超声图像的切面类别以及至少一个结构特征的形态;根据每个所述结构特征的形态获取该结构特征的分割边缘,并根据所述切面类别的目标信息从每个所述结构特征的分割边缘中测量得到对应的几何参数。可见,实施本发明专利技术能够快速识别胎儿心脏切面并有效地分割胎儿心脏结构进行测量,提高医生检查效率,减少误诊漏诊率。减少误诊漏诊率。减少误诊漏诊率。

【技术实现步骤摘要】
一种胎儿心脏结构分割测量方法、装置及计算机存储介质


[0001]本专利技术涉及图像
,尤其涉及一种胎儿心脏结构分割测量方法、装置及计算机存储介质。

技术介绍

[0002]随着优生优育意识的增强,越来越多的孕妇在胎儿发育至26

30周时,会进行胎儿心脏彩超检测,以判断胎儿的心血管系统健康情况。
[0003]胎儿心脏彩超检测时,检测人员通过将心脏探头获取胎儿心脏结构的超声波图像进行打片显示,再由医护工作者通过超声波图像的显示人工测量胎儿心脏切面中的心室、心房、血管等尺寸大小,进而判断胎儿心血管系统的健康程度。然而,实践发现,受医护工作者个人经验的影响,不同医护工作者对胎儿心脏的判断结果各有差异,且不同医护工作者的判断效率各有不同,导致医护系统整体上无法控制胎儿心脏彩超检测输出质量的统一性及效率性,因此,待需研究一种胎儿心脏结构分割测量方法及装置来帮助医生快速进行识别与测量。

技术实现思路

[0004]本专利技术所要解决的技术问题在于,提供一种胎儿心脏结构分割测量方法、装置及计算机存储介质,能够快速识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种胎儿心脏结构分割测量方法,其特征在于,所述方法包括:将获取到的胎儿心脏超声图像输入到已经训练的图像深度学习分割模型中进行分析,并获取所述图像深度学习分割模型输出的分割结果,作为所述胎儿心脏超声图像的特征信息,所述胎儿心脏超声图像的特征信息包括该胎儿心脏超声图像的切面类别以及至少一个结构特征的形态;根据每个所述结构特征的形态获取该结构特征的分割边缘,并根据所述切面类别的目标信息从每个所述结构特征的分割边缘中测量得到对应的几何参数。2.根据权利要求1所述的胎儿心脏结构分割测量方法,其特征在于,所述获取到的胎儿心脏超声图像在输入到已经训练的图像深度学习分割模型中进行分析之前,所述方法还包括:基于确定出的预处理方式对所述胎儿心脏超声图像执行预处理操作,得到去除目标类型信息后的胎儿心脏超声图像,并触发执行所述的输入到已经训练的图像深度学习分割模型,所述输入到图像深度学习分割模型的胎儿心脏超声图像均为去除目标类型信息后的胎儿心脏超声图像,所述预处理操作包括裁剪和/或隐藏。3.根据权利要求1所述的胎儿心脏结构分割测量方法,其特征在于,所述图像深度学习分割模型包括U-Net分割模型,以及,所述U-Net分割模型的训练方法包括:获取胎儿心脏超声图像的训练样本集,所述胎儿心脏超声图像的训练样本集包含胎儿心脏的原始超声图像与标记的胎儿心脏的超声图像;在确定出的深度学习框架下,搭建基于图像深度学习的U-Net分割模型;根据所述训练样本集中胎儿心脏超声图像关键切面的图片尺寸及样本量数目,调整U-Net分割模型的模型参数以增强关键切面的影响因子,并对U-Net分割模型进行训练,得到所述的已经训练的图像深度学习分割模型,其中所述模型参数包括单次训练图片数目、数据增强模式中的至少一种。4.根据权利要求3所述的胎儿心脏结构分割测量方法,其特征在于,所述U

Net分割模型使用交叉熵代价函数作为损失函数,以及,所述对U-Net分割模型进行训练,得到所述的已经训练的图像深度学习分割模型,包括:在对U

Net分割模型进行训练时,根据U

Net分割模型的预测值与实际值之间的差异,不断调整交叉熵代价函数直至收敛,其中,U

Net分割模型以胎儿心脏的原始超声图像与标记的胎儿心脏的超声图像成对输入,且胎儿心脏超声图像...

【专利技术属性】
技术研发人员:朱云晓袁鲲黄羽君刘文芬郑子龙
申请(专利权)人:中山大学附属第七医院深圳
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1