一種基于深度學習的胎兒標準正矢狀切面檢測方法及系統技術方案

本發(fā)明專利技術公開了一種基于深度學習的胎兒標準正矢狀切面檢測方法及系統，該方法通過建立分類網絡模型來對各種型號的超聲成像儀器產生的視頻流數據進行逐幀檢測，從而實時高精度的捕捉胎兒的標準正矢狀切面。的捕捉胎兒的標準正矢狀切面。的捕捉胎兒的標準正矢狀切面。

【技術實現步驟摘要】
一種基于深度學習的胎兒標準正矢狀切面檢測方法及系統


[0001]本專利技術屬于數字圖像的目標識別領域，涉及對產科超聲圖像的自動化分析與圖像目標識別技術，尤其涉及一種基于深度學習的胎兒標準正矢狀切面檢測方法及系統。

技術介紹

[0002]目前，先天畸形種類多、發(fā)病率高，是醫(yī)學難題之一，其既嚴重影響人口素質，又給社會帶來沉重負擔，而產前診斷是先天畸形二級干預措施，在降低先天畸形發(fā)生方面發(fā)揮重要作用。而提高對先天畸形的產前診斷技術，可以直接降低先天畸形的發(fā)生率。
[0003]產科超聲圖像分析是評價胎兒宮內生長發(fā)育的重要手段，具有無損、價廉、實時的優(yōu)點，在醫(yī)學影像技術中處于重要地位。產科超聲圖像分析中，頸項透明層(NT,Nuchal Translucency)檢查是早期發(fā)現胎兒異常的一種有效的影像學方法。臨床研究發(fā)現利用超聲波測定頸項透明層厚度有著十分重要的意義，其厚度增加，胎兒異常的可能性也增加。測量準確的頸項透明層厚度需要捕捉胎兒標準正矢狀切面，傳統方法是由醫(yī)生進行主觀判斷，這種方法不但耗費時間精力，且極度依賴醫(yī)生的經驗，不同的醫(yī)生可能會給出不同的判斷結果。
[0004]本專利技術人在深度學習技術的基礎上，研究胎兒標準正矢狀切面的檢測方法，以期待設計出一種能夠解決上述問題的方法及系統。

技術實現思路

[0005]為了克服上述問題，本專利技術人進行了銳意研究，提出一種基于深度學習的胎兒標準正矢狀切面檢測方法及系統，該方法通過建立分類網絡模型來對各種型號的超聲成像儀器產生的視頻流數據進行逐幀檢測，實時高精度的捕捉胎兒的標準正矢狀切面，從而完成本專利技術。
[0006]本專利技術的目的在于提供一種基于深度學習的胎兒標準正矢狀切面檢測方法，該方法包括以下步驟：
[0007]步驟1，從獲取含有胎兒標準正矢狀切面樣本和胎兒非標準正矢狀切面樣本的檢測數據集，并按比例將該檢測數據集劃分為訓練集和測試集；
[0008]步驟2，使用Pytorch深度學習框架，搭建分類網絡模型；
[0009]步驟3，搭建模型訓練系統對分類網絡模型進行訓練，搭建模型測試系統對訓練后的分類網絡模型進行測試，直到其獲得分辨胎兒標準正矢狀切面的能力；
[0010]步驟4，調取實時的胎兒超聲成像視頻數據，將視頻幀數據逐幀傳輸給分類網絡模型，并獲得輸出的檢測結果，進而抓取包含胎兒標準正矢狀切面的視頻幀。
[0011]其中，步驟1包括如下子步驟：
[0012]子步驟1
?
1，從兩所以上醫(yī)院獲取測量頸項透明層厚度時胎兒的超聲圖像，且該超聲圖像來自多種型號的超聲成像儀器；
[0013]子步驟1
?
2，對采集到的數據進行脫敏，去除數據集中患者的隱私數據；
[0014]子步驟1
?
3，對脫敏后的數據進行分類，分為含有胎兒標準正矢狀切面的樣本和含有非標準正矢狀切面樣本，并進行標記；
[0015]子步驟1
?
4，將分類后的數據集按比例隨機分為訓練數據集和測試數據集，其中，訓練數據集中，胎兒標準正矢狀切面的樣本和含有胎兒非標準正矢狀切面樣本的比例為2:3；測試數據集中，胎兒標準正矢狀切面的樣本和含有非標準正矢狀切面樣本的比例為2:3。
[0016]其中，在子步驟1
?
3中，胎兒標準正矢狀切面的樣本為圖2；
[0017]胎兒非標準正矢狀切面樣本為圖3。
[0018]其中，在步驟2中，所述分類網絡模型包括卷積核大小為7x7、步距為2的卷積層，步距為2的最大池化下采樣層，4個dense模塊，4個dense模塊間的3個過渡層，和分類層。
[0019]其中，所述dense模塊由多個dense層堆疊而成，
[0020]優(yōu)選地，所述4個dense模塊包括dense模塊一、dense模塊二、dense模塊三、dense模塊四；
[0021]其中，所述dense模塊一包括3層dense層；
[0022]dense模塊二包括4層dense層；
[0023]dense模塊三包括6層dense層；
[0024]dense模塊四包括3層dense層；
[0025]優(yōu)選地，所述dense層由BN層，ReLU層，卷積核大小為1x1、步距為1的逐點卷積層，BN層，ReLU層、卷積核大小為3x3、步距為1的逐通道卷積層，BN層，和卷積核大小為1x1、步距為1的逐點卷積層順次堆疊而成；
[0026]更優(yōu)選地，在所述逐通道卷積層中，一個卷積核負責一個通道，一個通道只被一個卷積核卷積，卷積后的特征圖數量與輸入層的通道數相同。
[0027]其中，在所述dense模塊中，第l層的輸出特征矩陣公式如下：
[0028]Ax
l
＝H
l
([x0，x1，...，x
l
?1])
[0029]其中，x
l
表示第l層的輸出；
[0030]H
l
表示第l層的dense層的BN層、ReLU層、逐點卷積層、逐通道卷積的總的運算；
[0031][x0，x1，...，x
l
?1]表示dense模塊中，第l層之前所有dense層輸出特征矩陣的合并。
[0032]其中，所述過渡層包括BN層，ReLU層，卷積核大小為1x1、步距為1的卷積層，和過濾器大小為2x2、步距為2的平均池化下采樣層；通過將所述過渡層在dense模塊和dense模塊中間，來調整輸出特征矩陣的寬高和深度；
[0033]優(yōu)選地，其中，通過設置該卷積核為1x1、步距為1的卷積層，來調整特征矩陣的深度；
[0034]通過設置該過濾器大小為2x2、步距為2的平均池化下采樣層，來調整輸出特征矩陣的寬和高。
[0035]其中，所述步驟S2中，所述的分類層包括BN層，過濾器大小為7x7、步距為1的平均池化下采樣層和全連接層。
[0036]其中，在步驟3中，所述模型訓練系統包括數據預處理模塊、損失函數模塊、訓練模塊、訓練日志存儲模塊；
[0037]其中，在所述預處理模塊中，采用中值濾波的方法去除訓練集中圖像的噪點和測試集中圖像的噪點；再將圖像縮放為寬224像素、高224像素；最后將讀取的圖像數據轉化為
Pytorch中的張量格式；
[0038]通過所述損失函數模塊評價分類網絡模型預測輸出與輸入圖像真實標簽之間的一致性，并在一致性達到95％以上情況時認為該分類網絡模型獲得分辨胎兒標準正矢狀切面的能力；
[0039]在所述訓練模塊中采用端到端訓練方式進行訓練，其中的訓練優(yōu)化器為Adam優(yōu)化器；
[0040]所述訓練日志存儲模塊，用于記錄訓練過程中損失值，準確率、權重文件保存路徑等信息；
[0041]通過所述模型測試系統檢測訓練后的分類網絡模型作用于測試集的分類精度。
[0042]本專利技術還提供一種基于深度學習的胎兒標準正矢狀切面檢測系統本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于深度學習的胎兒標準正矢狀切面檢測方法，其特征在于，該方法包括以下步驟：步驟1，獲取含有胎兒標準正矢狀切面樣本和胎兒非標準正矢狀切面樣本的檢測數據集，并按比例將該檢測數據集劃分為訓練集和測試集；步驟2，使用Pytorch深度學習框架，搭建分類網絡模型；步驟3，搭建模型訓練系統對分類網絡模型進行訓練，搭建模型測試系統對訓練后的分類網絡模型進行測試，直到其獲得分辨胎兒標準正矢狀切面的能力；步驟4，調取實時的胎兒超聲成像視頻數據，將視頻幀數據逐幀傳輸給分類網絡模型，并獲得輸出的檢測結果，進而抓取包含胎兒標準正矢狀切面的視頻幀。2.根據權利要求1所述的基于深度學習的胎兒標準正矢狀切面檢測方法，其特征在于，步驟1包括如下子步驟：子步驟1
?
1，從兩所以上醫(yī)院獲取測量頸項透明層厚度時胎兒的超聲圖像，且該超聲圖像來自多種型號的超聲成像儀器；子步驟1
?
2，對采集到的數據進行脫敏，去除數據集中患者的隱私數據；子步驟1
?
3，對脫敏后的數據進行分類，分為含有胎兒標準正矢狀切面的樣本和含有非標準正矢狀切面樣本，并進行標記；子步驟1
?
4，將分類后的數據集按比例隨機分為訓練數據集和測試數據集，其中，訓練數據集中，胎兒標準正矢狀切面的樣本和含有胎兒非標準正矢狀切面樣本的比例為2:3；測試數據集中，胎兒標準正矢狀切面的樣本和含有非標準正矢狀切面樣本的比例為2:3。3.根據權利要求2所述的基于深度學習的胎兒標準正矢狀切面檢測方法，其特征在于，在子步驟1
?
3中，標準正矢狀切面判斷標準：超聲結果同時滿足下述條件，即胎兒面部輪廓清楚顯示，鼻骨表面皮膚線、鼻骨、鼻尖三者形成三條短強回聲線；下頜骨僅顯示為圓點狀強回聲；胎兒顱腦清楚顯示丘腦、中腦、腦干、第四腦室及顱后窩池；頸背部皮下清楚顯示長條形帶狀無回聲即為頸后透明層；清楚顯示并確認胎兒背部皮膚及NT前后平行的兩條高回聲帶。4.根據權利要求1所述的基于深度學習的胎兒標準正矢狀切面檢測方法，其特征在于，在步驟2中，所述分類網絡模型包括卷積核大小為7x7、步距為2的卷積層，步距為2的最大池化下采樣層，4個dense模塊，4個dense模塊間的3個過渡層，和分類層。5.根據權利要求4所述的基于深度學習的胎兒標準正矢狀切面檢測方法，其特征在于，所述dense模塊由多個dense層堆疊而成，優(yōu)選地，所述4個dense模塊包括dense模塊一、dense模塊二、dense模塊三、dense模塊四；其中，所述dense模塊一包括3層dense層；dense模塊二包括4層dense層；dense模塊三包括6層dense層；dense模塊四包括3層dense層；優(yōu)選地，所述dense層由BN層，ReLU層，卷積核大小為1x1、步距為1的逐點卷積層，BN層，ReLU層、卷積核大小為3x3、步距為1的逐通道卷積層，...

【專利技術屬性】
技術研發(fā)人員：王軍，李學闊，杜曉榮，鄭末晶，王博源，
申請(專利權)人：珠海艾博羅生物技術股份有限公司，
類型：發(fā)明
國別省市：