【技术实现步骤摘要】
本专利技术涉及医学图像处理领域，尤其涉及一种应用于超声图像的胎儿头围测量方法及系统。
技术介绍
1、出生缺陷(birthdefect，bd)是指出生时就存在的结构和功能方面的异常，降低bd发生率，往往依靠于产前筛查和产前诊断，产前筛查和产前诊断手段主要是超声影像技术，临床医生通过超声设备对胎儿进行检查。超声检查是观察胎儿在母体内生长发育最常用的方法，也是检查胎儿缺陷，评估胎儿在母体内生长发育状况的重要依据。在临床中，胎儿产前超声检查的主要过程包括胎儿关键部位标准切面选取，基于标准切面进行胎儿生物学参数测量，然后根据所测得的胎儿生长参数进行胎儿孕龄和体重估计，最后评估胎儿生长发育状况。
2、在超声影像处理过程中，成像过程受到衰减、噪声和伪影的影响，会导致成像质量低，进而无法很好的对图像进行区域分割，进而影响参数测量的准确性。
技术实现思路
1、有鉴于此，为了解决现有超声图像测量方法中成像质量低，无法很好的分割出胎儿头部区域，进而导致测量精度不高的技术问题，本专利技术提出一种应用于超声图像的胎儿头围测量方法，所述方法包括以下步骤：
2、获取训练图像并进行标注处理，得到训练集；
3、基于v-net架构，引入注意力机制，构建分割模型；
4、引入深度监督策略，基于所述训练集对所述分割模型进行训练，得到训练完成的分割模型；
5、基于所述训练完成的分割模型对超声图像进行图像分割，得到胎儿头部区域；
6、基于图像深度计算对所述
7、在一些实施例中，所述获取训练图像并进行标注处理，得到训练集这一步骤，其具体包括：
8、获取训练图像；
9、对所述训练图像进行标注处理，得到标注后的图像；
10、对所述标注后的图像进行双边滤波，得到去噪后的图像；
11、根据所述去噪后的图像，构建训练集。
12、通过该优选步骤，采用双边滤波的方式对图像进行预处理，以实现去噪。
13、在一些实施例中，还包括：
14、对所述去噪后的图像进行格式统一、数据增强和数据归一化处理。
15、通过该优选步骤，对训练集中的图像进行格式统一，方便后续模型的输入；数据增强以实现对数据的扩充；数据归一化是为了取消各维数据之间的数量级差别，避免因为输入输出数据数量级差别大而造成网络预测误差过大。
16、在一些实施例中，所述基于v-net架构，引入注意力机制，构建分割模型这一步骤，其具体包括：
17、以v-net网络为基本架构；
18、使用卷积操作替代池化操作；
19、加入注意门控模块替代跳过连接模块，对应v-net网络中解码器(decoder)部分，捕获低级空间和高级上下文特征；
20、引入残差模块；残差模块位于编码器和解码器之间的卷积块中的每一层。在每个卷积块中，使用了残差机制，将每个阶段的输入卷积层添加到上一层的输出卷积层，从而学习残差函数。
21、构建分割模型。
22、通过该优选步骤，构建了一个vad网络，引入了注意力机制能够筛选与分割头部图像相关的特征，抑制与分割头部图像无关的特征，从而提高了分割的准确性；引入了深度监督策略，用多个不同尺度的损失函数来监督网络学习，加速了模型的收敛速度。
23、在一些实施例中，还包括对残差模块进行调整，具体为：
24、在卷积块结尾处以组归一化代替批归一化。
25、通过该优选步骤，能够提高模型的学习效率和稳定性。
26、在一些实施例中，所述引入深度监督策略，基于所述训练集对所述分割模型进行训练，得到训练完成的分割模型这一步骤，其具体包括：
27、引入深度监督策略，将五层深度监督分别采用不同倍数的上采样；
28、基于所述训练集，计算所述分割模型的前四个尺度的输出的dice loss，合并得到初步混合损失；
29、所述初步混合损失的计算公式如下：
30、
31、
32、其中，mix_loss表示初步混合损失，β表示权重因子，lossn表示第n个尺度的diceloss，areag表示训练集中手动标注的标准区域，areap表示分割模型预测的分割区域。
33、将所述初步混合损失与第五个尺度的输出的dice loss相加，得到最终混合损失；
34、基于最终混合损失反向更新所述分割模型的模型参数，直至达到判定条件，得到训练完成的分割模型。
35、该优选步骤中，为了克服训练数据有限的深度神经网络训练难度，采用深度监督策略纳入网络，从而通过使用多层次特征来提高分割灵敏度；所提出的vad网络的损失函数是通过所有五个尺度的损失之和来计算的，这与其他相关网络模型中定义的损失函数完全不同，即重构了新的损失函数来评估图像分割的效果。
36、在一些实施例中，还包括：
37、基于miou指标和hausdorff距离对所述训练完成的分割模型进行性能评估。
38、通过该优选步骤，miou指标和hausdorff距离，用于衡量两个集合之间相似度的指标，以评价分割模型的分割性能。
39、本专利技术还提出了一种应用于超声图像的胎儿头围测量系统，所述系统包括：
40、训练集构建单元，用于获取训练图像并进行标注处理，得到训练集；
41、模型构建单元，基于v-net架构，引入注意力机制，构建分割模型；
42、模型训练单元，引入深度监督策略，基于所述训练集对所述分割网络进行训练，得到训练完成的分割模型；
43、分割单元，基于所述训练完成的分割模型对超声图像进行图像分割，得到胎儿头部区域；
44、测量单元，基于图像深度计算对所述胎儿头部区域进行测量，得到测量结果。
45、本专利技术还提出了一种应用于超声图像的胎儿头围测装置，包括：
46、至少一个处理器；
47、至少一个存储器，用于存储至少一个程序；
48、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种应用于超声图像的胎儿头围测量方法。
49、基于上述方案，本专利技术提供了一种应用于超声图像的胎儿头围测量方法、系统及装置，搭建一种端到端的网络，利用该网络对超声图像进行图像分割，以获得感兴趣的区域，通过网络的改进，以提高图像分割的效果，进而提高后续参数测量的准确度。
本文档来自技高网...【技术保护点】
1.一种应用于超声图像的胎儿头围测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种应用于超声图像的胎儿头围测量方法，其特征在于，所述获取训练图像并进行标注处理，得到训练集这一步骤，其具体包括：
3.根据权利要求2所述一种应用于超声图像的胎儿头围测量方法，其特征在于，还包括：
4.根据权利要求1所述一种应用于超声图像的胎儿头围测量方法，其特征在于，所述基于V-net架构，引入注意力机制，构建分割模型这一步骤，其具体包括：
5.根据权利要求4所述一种应用于超声图像的胎儿头围测量方法，其特征在于，还包括对残差模块进行调整，具体为：
6.根据权利要求1所述一种应用于超声图像的胎儿头围测量方法，其特征在于，所述引入深度监督策略，基于所述训练集对所述分割模型进行训练，得到训练完成的分割模型这一步骤，其具体包括：
7.根据权利要求6所述一种应用于超声图像的胎儿头围测量方法，其特征在于，所述初步混合损失的计算公式如下：
8.根据权利要求1所述一种应用于超声图像的胎儿头围测量方法，其特征在于，还包括：
9.一种应用于超声图像的胎儿头围测量系统，其特征在于，包括：
10.一种应用于超声图像的胎儿头围测量装置，其特征在于，包括：
...【技术特征摘要】
1.一种应用于超声图像的胎儿头围测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种应用于超声图像的胎儿头围测量方法，其特征在于，所述获取训练图像并进行标注处理，得到训练集这一步骤，其具体包括：
3.根据权利要求2所述一种应用于超声图像的胎儿头围测量方法，其特征在于，还包括：
4.根据权利要求1所述一种应用于超声图像的胎儿头围测量方法，其特征在于，所述基于v-net架构，引入注意力机制，构建分割模型这一步骤，其具体包括：
5.根据权利要求4所述一种应用于超声图像的胎儿头围测量方法，其特征在于，还包括对残差模...
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。