System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学超声图像处理,尤其是指一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法及系统。
技术介绍
1、超声作为最常用的成像方法之一,已经成为医学临床不可或缺的诊断工具。超声成像具有无创伤、无辐射、方便快捷和实时成像的特点,被广泛运用于孕妇产期检查中。医生利用超声成像技术定期检查胎儿的生长发育情况,并通过测量各项生长参数降低胎儿的异常生长。其中,胎儿头围作为胎儿重要生长参数指标之一,可以有效预估胎儿的年龄与体重,监测胎儿的生长状况。
2、在早期,胎儿头围测量主要采用基于形态学处理方法,通过形态学处理获取胎儿头部轮廓,经过椭圆拟合,获得完整的胎儿头部椭圆形状从而进行测量。但这种方法极易受噪声和与胎儿颅骨区域相似部分干扰,导致获取的胎儿颅脑轮廓效果差,拟合后的胎儿颅脑区域椭圆形状与标准值存在较大偏差。
3、目前,胎儿头围测量主要由超声医生通过手动操作轨迹球的方式确定胎儿头部椭圆的长轴与短轴,获得胎儿颅脑区域椭圆形状,再通过椭圆周长计算公式计算胎儿头围周长,近似获取胎儿头围测量结果。上述工作都是由临床经验丰富的超声医生依据主观经验手动完成,由于不同医生的操作手法和熟练程度不同,对胎儿颅脑区域椭圆选取存在差异,导致胎儿头围测量结果存在偏差;并且由于超声医生需要不断重复上述工作,大大增加了医生的劳动强度,而且精度、效率也会随时间降低。
4、随着深度学习的快速发展,深度卷积神经网络为准确分割胎儿头部区域提供了可能,越来越多的研究人员使用深度学习技术来解决胎儿颅脑超声图像分割问题,精准测量胎儿头围
5、因此,现存的胎儿颅脑分割方法难以完整准确分割出胎儿头部区域,达到胎儿头围的精准测量。实现对胎儿颅脑超声图像准确分割与精准测量是亟待解决的问题。
技术实现思路
1、为此,本专利技术所要解决的技术问题在于克服现有技术中胎儿颅脑分割方法难以完整准确分割出胎儿头部区域的问题。
2、为解决上述技术问题,本专利技术提供了一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,步骤包括:
3、s1、将胎儿颅脑超声图像输入基于边缘引导的胎儿颅脑超声图像分割模型,输出胎儿颅脑区域分割图像;所述胎儿颅脑超声图像分割模型包括第一分割网络和第二分割网络,其中第一分割网络包括边缘特征提取模块、第一并行扩张卷积模块和注意力门控机制,第二分割网路包括第二并行扩张卷积模块和多层特征注意力门控机制;
4、s2、将所述胎儿颅脑区域分割图像进行连通域标记,选取像素点面积最大的连通域,并采用canny边缘检测算法检测该连通域的轮廓,得到胎儿颅脑区域轮廓;
5、s3、对所述胎儿颅脑区域轮廓进行椭圆拟合,得到拟合椭圆参数;
6、s4、根据所述胎儿颅脑区域轮廓椭圆的拟合参数计算胎儿头围长度。
7、在本专利技术的一个实施例中,所述基于边缘引导的胎儿颅脑超声图像分割模型的结构包括:基于u-net网络模型的第一分割网络和第二分割网络;
8、所述第一分割网络包括第一区域特征编码模块、区域特征解码模块、边缘特征提取模块、第一并行扩张卷积模块和注意力门控机制;
9、所述第一并行扩张卷积模块的输入端与所述第一区域特征编码模块的输出端连接,输出端与所述区域特征解码模块的输入端连接;
10、所述注意力门控机制应用在第一分割网络的跳跃连接处,用于结合相同编码层和解码层的特征映射;
11、所述边缘特征提取模块的输入端与所述第一区域特征编码模块跳跃连接,用于融合提取不同编码层胎儿颅脑边缘特征,输出边缘分割特征图;
12、所述第二分割网络包括第二区域特征编码模块、边缘引导的特征融合解码模块、第二并行扩张卷积模块和多层特征注意力门控机制;
13、所述第二并行扩张卷积模块的输入端与所述第二区域特征编码模块的输出端连接,输出端与所述边缘引导的特征融合解码模块的输入端连接;
14、所述多层特征注意力门控机制应用在第一分割网络与第二分割网路的跳跃连接处,用于结合第一分割网络区域特征、第二分割网络的区域特征和上采样特征;
15、所述边缘引导的特征融合解码模块通过级联操作,将第一分割网络的边缘分割特征图、多层特征注意力机制门控的输出特征和上采样特征进行特征信息融合,最终通过解码输出完整的胎儿颅脑区域图像。
16、在本专利技术的一个实施例中,所述基于边缘引导的胎儿颅脑超声图像分割模型包括:
17、将胎儿颅脑超声图像输入第一分割网络,经所述第一分割网络的第一区域特征编码模块、第一并行扩张卷积模块、区域特征解码模块处理后,输出第二特征图像;
18、所述第一区域特征编码模块与所述边缘特征提取模块跳跃连接,所述边缘特征提取模块融合提取所述第一区域特征编码模块不同编码层的边缘特征,输出边缘分割特征图;
19、将第二特征图像与胎儿颅脑超声图像连接,胎儿颅脑超声图像与边缘分割特征图连接,二者的连接结果进行拼接,得到第二输入特征图;
20、将将胎儿颅脑超声图像输入第二分割网络,经所述第二分割网络的第二区域特征编码模块、第二并行扩张卷积模块、边缘引导的特征融合解码模块处理后,输出胎儿颅脑区域分割图像。
21、在本专利技术的一个实施例中,所述第一并行扩张卷积模块和第二并行扩张卷积模块均由三个不同扩张率的3×3卷积并行组成,并分别在每个3×3卷积前后连接一个1×1卷积,表示为:
22、
23、其中conv1(·)表示卷积核大小为1的卷积,表示扩张率为a,卷积核大小为b的扩张卷积。
24、在本专利技术的一个实施例中,所述注意力门控机制表示为:
25、
26、其中g表示编码层特征映射,x表示上采样特征映射,conv1(·)表示卷积核大小为1的卷积,relu(·)表示relu激活函数,sig(·)表示sigmoid激活函数,表示元素相乘。
27、在本专利技术的一个实施例中,所述多层特征注意力门控机制表示为:
28、
29、其中g表示编码层特征映射,x1表示第一分割网络编码层特征映射,x2表示第二分割网络编码层特征映射,conv1(·)表示卷积核大小为1的卷积,relu(·)表示relu激活函数,sig(·)表示sigmoid激活函数,表示元素相乘。
30、在本专利技术的一个实施例中,所述基于边缘引导的胎儿颅脑超声图像分割模型的训练过程包括:
31、构建胎儿颅脑超声图像训练样本集和测试样本集;
32、基于训练集采用adam反向传播算法对所述胎儿颅脑超声图像分割模型进行迭代优化,直至总损失函数收敛,得到训练后的胎儿颅脑超声图像分割模型;
33、所述总损失函数表示为:本文档来自技高网...
【技术保护点】
1.一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,步骤包括:
2.根据权利要求1所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,所述基于边缘引导的胎儿颅脑超声图像分割模型的结构包括:基于U-Net网络模型的第一分割网络和第二分割网络;
3.根据权利要求2所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,所述基于边缘引导的胎儿颅脑超声图像分割模型包括:
4.根据权利要求2所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,所述第一并行扩张卷积模块和第二并行扩张卷积模块均由三个不同扩张率的3×3卷积并行组成,并分别在每个3×3卷积前后连接一个1×1卷积,表示为:
5.根据权利要求2所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,所述注意力门控机制表示为:
6.根据权利要求2所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,所述多层特征注意力门控机制表示为:
7.根据权利要求1所述的一种基于边缘引
8.根据权利要求1所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,对所述胎儿颅脑区域轮廓进行椭圆拟合的步骤包括:
9.根据权利要求8所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,根据所述胎儿颅脑区域轮廓椭圆的拟合参数计算胎儿头围长度的步骤包括:
10.一种基于边缘引导的胎儿颅脑超声图像头围自动测量系统,包括:
...【技术特征摘要】
1.一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,步骤包括:
2.根据权利要求1所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,所述基于边缘引导的胎儿颅脑超声图像分割模型的结构包括:基于u-net网络模型的第一分割网络和第二分割网络;
3.根据权利要求2所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,所述基于边缘引导的胎儿颅脑超声图像分割模型包括:
4.根据权利要求2所述的一种基于边缘引导的胎儿颅脑超声图像头围自动测量方法,其特征在于,所述第一并行扩张卷积模块和第二并行扩张卷积模块均由三个不同扩张率的3×3卷积并行组成,并分别在每个3×3卷积前后连接一个1×1卷积,表示为:
5.根据权利要求2所述的一种基于边缘引导的胎儿颅脑超声图...
【专利技术属性】
技术研发人员:朱栋晓,李明明,宿磊,蒋燕东,朱嫣婷,李可,
申请(专利权)人:江南大学附属医院,
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。