【技术实现步骤摘要】
本专利技术涉及影像处理领域，尤其涉及侵入性胎盘植入影像特征ai智能提取系统。
技术介绍
1、胎盘植入指胎盘绒毛穿入部分宫壁肌层，发生于孕早期，胎盘植入是产科严重的并发症之一，可导致产妇大出血、休克、子宫穿孔、继发感染，甚至死亡，对有高危因素的产妇，产前彩超筛查胎盘植入是必要的，胎盘植入是妊娠的严重并发症之一，是胎盘绒毛侵入到子宫肌层，导致在第三产程胎盘植入部分不能正常自行剥离，将引起生产孕妇大量出血、子宫穿透、休克、进而引发感染甚至导致死亡。胎盘植入又经常伴随着胎盘前置同时发生，胎盘前置又可分类为低置胎盘、边缘性前置胎盘、完全性前置胎盘、中央性前置胎盘四种类型。
2、由于高剖宫产率导致的胎盘植入将给产科医生带来极其严俊的挑战，也给家庭及社会带来沉重负担。如果不能及时识别植入型和穿透型胎盘植入，基层医院无法进行及时转诊、盲目手术可能导致难以避免的孕产妇死亡，而综合医院无法进行充足血源准备和多学科联合诊治，可能导致致命性大出血和子宫切除。因此如何术前准确评估植入类型、预测胎盘生长与绒毛生长过程，从而最终降低致命性产后出血率是目前临床亟待迫切解决的实际问题。
3、因此，有必要提供一种新的侵入性胎盘植入影像特征ai智能提取系统解决上述技术问题。
技术实现思路
1、为解决如何术前准确评估植入类型、预测胎盘植入深度和范围，提前做好手术预案，从而最终降低致命性产后出血率和子宫切除率的技术问题，本专利技术提供侵入性胎盘植入影像特征ai智能提取系统。
2、本专利技
3、历史病例数据库，用于存储侵入性胎盘植入的b超图像数据和mri图像数据的历史样本，其中历史样本包括多张侵入性胎盘植入b超图像和mri图像；
4、特征提取模块，将历史样本与由采集模块采集的b超图像数据和mri图像数据分别输入基于doubleu net网络的图像分割网络中，构建训练集与测试集，基于训练集与测试集生成影像特征识别模型，通过影像特征识别模型对胎盘植入影像特征进行识别，将采集患者胎盘的b超图像和mri图像数据与历史样本进行对比，并对胎盘植入范围及深度进行预测，并将胎盘植入的预测位置进行标注，其中训练集基于患者历史b超图像数据和mri图像数据，测试集基于采集模块采集的患者胎盘处的b超图像数据和mri图像数据；
5、根据所述影像特征对胎盘植入进行预测的具体步骤包括：
6、s1、对测试集中的胎盘图像建立图层并复制n张，得到n+1张不同图层的胎盘图像，分别对n+1张胎盘图像进行左右、水平和垂直方向进行任意组合的翻转方式同步翻转90°，得到6(n+1)张特征图，之后对得到的特征图进行合并图层；
7、s2、将s1中得到合并图层后的特征图与训练集中的胎盘图像重合并分别在不同的图层内，之后隐藏特征图，只显示训练集中的胎盘图像，对训练集中的胎盘图像进行卷积操作，得到侵入性胎盘植入的图像包围区域特征，其中图像包围区域特征包括特征坐标、长度以及置信度；
8、s3、显示特征图，对合并图层后的特征图进行卷积操作，得到特征图的图像包围区域特征，将特征图与训练集中的胎盘图像的图像包围区域特征进行对比，将重合部位进行标记，得到初步区域预测特征；
9、s4、将特征图的包围区域特征等距扩展至少1像素的距离，再将重合部位进行标记，得到认定区域预测特征；
10、s5、根据初步区域预测特征与认定区域预测特征确认胎盘植入范围和深度的预测结果，并将胎盘植入预测位置进行标注。
11、进一步地，对所述合并图层后的特征图再次利用深度学习算法对合并前的边缘进行重绘，使合并前图像与合并后的新图像在衔接过渡区域更加真实自然。
12、进一步地，所述b超图像数据和mri图像数据主要包括胎盘位置、胎盘厚度、胎盘后低回声带、胎盘与子宫交界面血管特征、胎盘陷窝和胎盘面积体积比。
13、进一步地，所述doubleu net网络包括编码器和自适应池化层，所述编码器包括第一特征提取单元以及若干级联的第二特征提取单元，首尾两端的第二特征提取单元分别与第一特征提取单元以及自适应池化层相连。
14、进一步地，所述第一特征提取单元包括两个级联的卷积块，卷积块包括依次级联的卷积层、批归一化层和激活函数层。
15、进一步地，在确认所述图像包围区域特征之前需要对图像进行灰度归一化，从0开始，进行迭代。
16、进一步地，针对灰度归一后的图像，对图像中的各区域进行直方图均衡处理，通过编码器针对图像的多个局部区域求得灰度梯度，将这些梯度值组成图像特征值。
17、与相关技术相比较，本专利技术提供的侵入性胎盘植入影像特征ai智能提取系统具有如下有益效果：
18、1、本专利技术将b超图像数据和mri图像数据分别输入基于doubleu net网络的图像分割网络中，构建训练集与测试集，基于训练集与测试集生成影像特征识别模型，通过影像特征识别模型对胎盘植入影像特征进行识别，排除了人为、环境、仪器设备存在主观误差因素，利用计算机机器学习方法实现，做到省时省力。
19、2、本专利技术将对测试集中的胎盘图像建立图层并复制n张，得到n+1张不同图层的胎盘图像，分别对n+1张胎盘图像进行左右、水平和垂直方向进行任意组合的翻转方式同步翻转90°，得到6(n+1)张特征图，之后对得到的特征图进行合并图层，得到更多维度的特征信息，进一步提高对特征点判断及预测，可以提高胎盘植入预测的准确性，对胎盘与绒毛的生长进行预测，并将胎盘与绒毛生长的预测位置进行标注。
20、3、本专利技术将特征图的包围区域特征等距扩展至少1像素的距离，再将重合部位进行标记，得到认定区域预测特征，根据初步区域预测特征与认定区域预测特征确认预测结果，避免测量得到的相关指标存在偏差导致诊断的准确率下降的情况，预留安全线，提高安全措施。
本文档来自技高网...【技术保护点】
1.一种侵入性胎盘植入影像特征AI智能提取系统，其特征在于，包括采集模块，用于采集患者胎盘处的B超图像数据和MRI图像数据；
2.根据权利要求1所述的侵入性胎盘植入影像特征AI智能提取系统，其特征在于，对所述合并图层后的特征图再次利用深度学习算法对合并前的边缘进行重绘，使合并前图像与合并后的新图像在衔接过渡区域更加真实自然。
3.根据权利要求2所述的侵入性胎盘植入影像特征AI智能提取系统，其特征在于，所述B超图像数据和MRI图像数据主要包括胎盘位置、胎盘厚度、胎盘后低回声带、胎盘与子宫交界面血管特征、胎盘陷窝和胎盘面积体积比。
4.根据权利要求3所述的侵入性胎盘植入影像特征AI智能提取系统，其特征在于，所述DoubleU Net网络包括编码器和自适应池化层，所述编码器包括第一特征提取单元以及若干级联的第二特征提取单元，首尾两端的第二特征提取单元分别与第一特征提取单元以及自适应池化层相连。
5.根据权利要求4所述的侵入性胎盘植入影像特征AI智能提取系统，其特征在于，所述第一特征提取单元包括两个级联的卷积块，卷积块包括依次级联的卷积层、
6.根据权利要求5所述的侵入性胎盘植入影像特征AI智能提取系统，其特征在于，在确认所述图像包围区域特征之前需要对图像进行灰度归一化，从0开始，进行迭代。
7.根据权利要求6所述的侵入性胎盘植入影像特征AI智能提取系统，其特征在于，针对灰度归一后的图像，对图像中的各区域进行直方图均衡处理，通过编码器针对图像的多个局部区域求得灰度梯度，将这些梯度值组成图像特征值。
...【技术特征摘要】
1.一种侵入性胎盘植入影像特征ai智能提取系统，其特征在于，包括采集模块，用于采集患者胎盘处的b超图像数据和mri图像数据；
2.根据权利要求1所述的侵入性胎盘植入影像特征ai智能提取系统，其特征在于，对所述合并图层后的特征图再次利用深度学习算法对合并前的边缘进行重绘，使合并前图像与合并后的新图像在衔接过渡区域更加真实自然。
3.根据权利要求2所述的侵入性胎盘植入影像特征ai智能提取系统，其特征在于，所述b超图像数据和mri图像数据主要包括胎盘位置、胎盘厚度、胎盘后低回声带、胎盘与子宫交界面血管特征、胎盘陷窝和胎盘面积体积比。
4.根据权利要求3所述的侵入性胎盘植入影像特征ai智能提取系统，其特征在于，所述doubleu net网络包括编码器和自适应池化层，所...
【专利技术属性】
技术研发人员：王志坚，
申请(专利权)人：广州科松医疗智能科技有限公司，
类型：发明
国别省市：
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。