一種早孕周胎兒結構檢測方法、裝置及計算機存儲介質(zhì)制造方法及圖紙

本發(fā)明專利技術公開了一種早孕周胎兒結構檢測方法、裝置及計算機存儲介質(zhì)，該方法包括獲取早孕周胎兒的原始超聲圖像；將獲取到的早孕周胎兒的原始超聲圖像輸入至已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型中進行檢測，并獲取目標檢測模型輸出的結構檢測結果，作為早孕周胎兒的特征信息，早孕周胎兒的特征信息包含該早孕周胎兒的至少一個結構特征及該結構特征所對應的參數(shù)信息，結構特征為早孕周胎兒的肢體構造中的至少一者，結構特征所對應的參數(shù)信息至少包含該結構特征的類型以及該結構特征的定位數(shù)據(jù)?？梢?，實施本發(fā)明專利技術能夠準確地對早孕周胎兒進行結構檢測，有利于幫助醫(yī)生快速對早孕周胎兒進行結構檢測及定位。速對早孕周胎兒進行結構檢測及定位。速對早孕周胎兒進行結構檢測及定位。

【技術實現(xiàn)步驟摘要】
一種早孕周胎兒結構檢測方法、裝置及計算機存儲介質(zhì)


[0001]本專利技術涉及圖像
，尤其涉及一種早孕周胎兒結構檢測方法、裝置及計算機存儲介質(zhì)。

技術介紹

[0002]醫(yī)學上，胎兒生長發(fā)育在14周之前為早孕周期，早孕周期中，多數(shù)孕媽會至少一次進行胎兒彩超以觀察胎兒的發(fā)育情況。
[0003]目前，對于早孕周期內(nèi)的胎兒彩超檢測，由檢測人員使用超聲探頭獲取早孕周胎兒結構的超聲圖像實現(xiàn)，超聲圖像獲取后，檢測人員一般依憑其醫(yī)學知識在超聲圖像上尋找確定早孕周胎兒的肢體構造，根據(jù)早孕周胎兒的肢體構造情況判斷胎兒的發(fā)育是否健康。然而，實踐發(fā)現(xiàn)，由于早孕周內(nèi)，胎兒處于形體發(fā)育變化的高速階段，對于早孕周胎兒的肢體構造確定較為困難，一般檢測人員在醫(yī)學知識及經(jīng)驗水平不足的情況下，容易出現(xiàn)誤判現(xiàn)象，因此，如何幫助檢測人員提高早孕周胎兒的肢體構造的識別準確度，待需研究。

技術實現(xiàn)思路

[0004]本專利技術所要解決的技術問題在于，提供一種早孕周胎兒結構檢測方法、裝置及計算機存儲介質(zhì)，能夠準確地對早孕周胎兒進行結構檢測，有利于幫助醫(yī)生快速對早孕周胎兒進行結構檢測及定位。
[0005]為了解決上述技術問題，本專利技術第一方面公開了一種早孕周胎兒結構檢測方法，所述方法包括：
[0006]獲取早孕周胎兒的原始超聲圖像，所述原始超聲圖像為單幀靜態(tài)圖片、多幀連續(xù)靜態(tài)圖片中的至少一種；
[0007]將獲取到的早孕周胎兒的原始超聲圖像輸入至已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型中進行檢測，并獲取所述目標檢測模型輸出的結構檢測結果，作為所述早孕周胎兒的特征信息，所述早孕周胎兒的特征信息包含該早孕周胎兒的至少一個結構特征及該結構特征所對應的參數(shù)信息，所述結構特征為所述早孕周胎兒的肢體構造中的至少一者，所述結構特征所對應的參數(shù)信息至少包含該結構特征的類型以及該結構特征的定位數(shù)據(jù)。
[0008]作為一種可選的實施方式，在本專利技術第一方面中，所述將獲取到的早孕周胎兒的原始超聲圖像輸入至已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型之前，所述方法還包括：
[0009]基于確定出的預處理方式對所述原始超聲圖像執(zhí)行預處理操作，得到去除目標類型信息后的原始超聲圖像，并觸發(fā)執(zhí)行所述的輸入至已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型，其中輸入至目標檢測模型的原始超聲圖像均為去除目標類型信息后的原始超聲圖像，所述預處理操作包括裁剪和/或隱藏。
[0010]作為一種可選的實施方式，在本專利技術第一方面中，所述基于確定出的預處理方式
對所述原始超聲圖像執(zhí)行預處理操作，包括：
[0011]獲取預先設定的至少一個固定區(qū)域位置參數(shù)，根據(jù)每個固定區(qū)域位置參數(shù)對所述原始超聲圖像的對應區(qū)域執(zhí)行預處理操作，得到的去除目標類型信息的所述原始超聲圖像；和/或
[0012]獲取用戶于人機交互界面滑動圈定的選定區(qū)域位置參數(shù)，根據(jù)每個選定區(qū)域位置參數(shù)對所述原始超聲圖像的對應區(qū)域執(zhí)行預處理操作，得到的去除目標類型信息的所述原始超聲圖像。
[0013]作為一種可選的實施方式，在本專利技術第一方面中，所述基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型包括YOLO－TINY檢測模型，
[0014]以及，所述YOLO－TINY檢測模型的訓練方法包括：
[0015]獲取早孕周胎兒的原始超聲圖像的訓練數(shù)據(jù)集，所述早孕周胎兒的原始超聲圖像的訓練數(shù)據(jù)集包含早孕周胎兒的超聲圖像，以及早孕周胎兒的超聲圖像中結構特征的標記標簽；
[0016]在預先確定出的深度學習框架下，搭建基于多尺度殘差神經(jīng)網(wǎng)絡的YOLO－TINY檢測模型；
[0017]對YOLO－TINY檢測模型進行訓練，得到所述的已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型。
[0018]作為一種可選的實施方式，在本專利技術第一方面中，所述對YOLO－TINY檢測模型進行訓練，得到所述的已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型，包括：
[0019]根據(jù)所述訓練數(shù)據(jù)集中指定孕周的早孕周胎兒超聲圖像的圖片尺寸及樣本量數(shù)目，調(diào)整YOLO－TINY檢測模型的模型參數(shù)以增強指定孕周的影響因子，并對YOLO－TINY檢測模型進行訓練，得到所述的已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型，其中所述模型參數(shù)包括單次訓練圖片數(shù)目、數(shù)據(jù)增強模式中的至少一種。
[0020]作為一種可選的實施方式，在本專利技術第一方面中，所述YOLO
?
TINY檢測模型中的目標框回歸使用IOULoss作為損失函數(shù)，并且，所述YOLO
?
TINY檢測模型中的多類別分類使用交叉熵代價函數(shù)作為損失函數(shù)；
[0021]以及，所述對YOLO－TINY檢測模型進行訓練，得到所述的已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型，包括：
[0022]在對YOLO
?
TINY檢測模型進行訓練時，基于預測框與實際框之間的差異修正所述IOULoss，以及，基于預測值與實際值之間的差異修正所述交叉熵代價函數(shù)，直至函數(shù)收斂，其中，YOLO－TINY檢測模型以早孕周胎兒的超聲圖像以及早孕周胎兒的超聲圖像中結構特征的標記標簽成對輸入網(wǎng)絡。
[0023]作為一種可選的實施方式，在本專利技術第一方面中，所述對YOLO－TINY檢測模型進行訓練，得到所述的已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型，包括：
[0024]在對YOLO－TINY檢測模型進行訓練時，使用隨機梯度下降法對YOLO－TINY檢測模型的所述模型參數(shù)進行全局最優(yōu)解，并控制訓練過程參數(shù)被配置為包括總迭代100輪、初始學習率為1
×
10
－3
，且每20輪下降一次學習率。
[0025]作為一種可選的實施方式，在本專利技術第一方面中，所述將獲取到的早孕周胎兒的原始超聲圖像輸入至已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型中進行檢測，并
獲取所述目標檢測模型輸出的結構檢測結果，包括：
[0026]根據(jù)所述早孕周胎兒的原始超聲圖像獲取該早孕周胎兒的發(fā)育信息，并基于該早孕周胎兒的發(fā)育信息，確定該早孕周胎兒的孕周數(shù)據(jù)，所述基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型結合獲取到的早孕周胎兒的原始超聲圖像以及該早孕周胎兒的孕周數(shù)據(jù)進行檢測，所述早孕周胎兒的發(fā)育信息包括早孕周胎兒頭圍、腹圍、長骨長度中的至少一種。
[0027]作為一種可選的實施方式，在本專利技術第一方面中，所述原始超聲圖像為多幀連續(xù)靜態(tài)圖片，
[0028]以及，所述根據(jù)所述早孕周胎兒的原始超聲圖像獲取該早孕周胎兒的發(fā)育信息，并基于該早孕周胎兒的發(fā)育信息，確定該早孕周胎兒的孕周數(shù)據(jù)，包括：
[0029]當所述原始超聲圖像為多幀連續(xù)靜態(tài)圖片時，根據(jù)當前幀靜態(tài)圖片與前后幀靜態(tài)圖片中結構特征的位置變動數(shù)據(jù)，確定所述早孕周胎兒的動作信息，并基于所述早孕周胎兒的動作信息，對所述早孕周胎兒的孕周數(shù)據(jù)進行校準，其中，所述早孕周胎兒的動作信息包含吸吮、吞咽和局部結構特征的活動數(shù)據(jù)中的至少一本文檔來自技高網(wǎng)...

【技術保護點】

【技術特征摘要】
1.一種早孕周胎兒結構檢測方法，其特征在于，所述方法包括：獲取早孕周胎兒的原始超聲圖像，所述原始超聲圖像為單幀靜態(tài)圖片、多幀連續(xù)靜態(tài)圖片中的至少一種；將獲取到的早孕周胎兒的原始超聲圖像輸入至已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型中進行檢測，并獲取所述目標檢測模型輸出的結構檢測結果，作為所述早孕周胎兒的特征信息，所述早孕周胎兒的特征信息包含該早孕周胎兒的至少一個結構特征及該結構特征所對應的參數(shù)信息，所述結構特征為所述早孕周胎兒的肢體構造中的至少一者，所述結構特征所對應的參數(shù)信息至少包含該結構特征的類型以及該結構特征的定位數(shù)據(jù)。2.根據(jù)權利要求1所述的早孕周胎兒結構檢測方法，其特征在于，所述將獲取到的早孕周胎兒的原始超聲圖像輸入至已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型之前，所述方法還包括：基于確定出的預處理方式對所述原始超聲圖像執(zhí)行預處理操作，得到去除目標類型信息后的原始超聲圖像，并觸發(fā)執(zhí)行所述的輸入至已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型，其中輸入至目標檢測模型的原始超聲圖像均為去除目標類型信息后的原始超聲圖像，所述預處理操作包括裁剪和/或隱藏。3.根據(jù)權利要求2所述的早孕周胎兒結構檢測方法，其特征在于，所述基于確定出的預處理方式對所述原始超聲圖像執(zhí)行預處理操作，包括：獲取預先設定的至少一個固定區(qū)域位置參數(shù)，根據(jù)每個固定區(qū)域位置參數(shù)對所述原始超聲圖像的對應區(qū)域執(zhí)行預處理操作，得到的去除目標類型信息的所述原始超聲圖像；和/或獲取用戶于人機交互界面滑動圈定的選定區(qū)域位置參數(shù)，根據(jù)每個選定區(qū)域位置參數(shù)對所述原始超聲圖像的對應區(qū)域執(zhí)行預處理操作，得到的去除目標類型信息的所述原始超聲圖像。4.根據(jù)權利要求1所述的早孕周胎兒結構檢測方法，其特征在于，所述基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型包括YOLO－TINY檢測模型，以及，所述YOLO－TINY檢測模型的訓練方法包括：獲取早孕周胎兒的原始超聲圖像的訓練數(shù)據(jù)集，所述早孕周胎兒的原始超聲圖像的訓練數(shù)據(jù)集包含早孕周胎兒的超聲圖像，以及早孕周胎兒的超聲圖像中結構特征的標記標簽；在預先確定出的深度學習框架下，搭建基于多尺度殘差神經(jīng)網(wǎng)絡的YOLO－TINY檢測模型；對YOLO－TINY檢測模型進行訓練，得到所述的已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型。5.根據(jù)權利要求4所述的早孕周胎兒結構檢測方法，其特征在于，所述對YOLO－TINY檢測模型進行訓練，得到所述的已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型，包括：根據(jù)所述訓練數(shù)據(jù)集中指定孕周的早孕周胎兒超聲圖像的圖片尺寸及樣本量數(shù)目，調(diào)整YOLO－TINY檢測模型的模型參數(shù)以增強指定孕周的影響因子，并對YOLO－TINY檢測模型進行訓練，得到所述的已經(jīng)訓練的基于多尺度殘差神經(jīng)網(wǎng)絡的目標檢測模型，其中所述模
型參數(shù)包括單次訓練圖片數(shù)目、數(shù)據(jù)增強模式中的至少一種。6.根據(jù)權利要求4所述的早孕周胎兒結構檢測方法，其特征在于，所述YOLO
?
TINY檢測模型中的目標框回歸使用IOULoss作為損失函數(shù)，并且，所述YOLO
?
TIN...

【專利技術屬性】
技術研發(fā)人員：朱云曉，鄭靖莉，黃松帶，黃羽君，劉文芬，
申請(專利權)人：東莞市黃江醫(yī)院，
類型：發(fā)明
國別省市：