[发明专利]肛提肌裂孔的识别方法、装置和电子设备

说明书

本发明提供了一种肛提肌裂孔的识别方法、装置和电子设备，涉及数据处理的技术领域，该方法包括：通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图，其中，全卷积神经网络为预先设置在上下文模型的神经网络；基于活动轮廓模型对LH边缘预测图进行处理，得到超声图像的分割图像，其中，分割图像中包括肛提肌轮廓；在分割图像中识别LH的关键位置点；基于关键位置点确定LH的参数，从而实现LH的识别，本发明缓解了在采用传统的方法来对LH超声图像进行切割处理时，分割精度较低的技术问题。

技术领域

本发明涉及数据处理的技术领域，尤其是涉及一种肛提肌裂孔的识别方法、装置和电子设备。

背景技术

盆底超声因具有实时成像、费用低、无辐射的优点，成为盆底疾病主要的影像检查手段。在对盆底超声进行处理的过程中，通常利用轨迹球手动描记肛提肌轮廓并测量其参数；而手动测量严重受主观经验影响、且测量步骤繁琐、耗时长、误差大。针对该问题，相关领域的专家尝试使用全自动测量方法来测量LH参数。但是以计算机辅助手段自动分割盆底超声图像时面临以下几点挑战：图像中声影、散斑等噪声干扰大；成像条件不同，图像呈现不同的强度分布；采集三维容积数据时，探头的位置、加压不当，都会导致图像质量欠佳，影响后续处理；肛提肌单侧或双侧损伤，影响肛提肌裂孔(levator hiatus,简称LH)的识别。

LH边缘分割是其生物参数测量的首要条件。Sindhwani曾提出基于水平集的半自动肛提肌轮廓描绘工具，因其需要手动标记两点—耻骨联合后下缘点，耻骨直肠肌底部前缘点，耗费时间精力，但是该方法容易受主观经验影响而导致不同观察者间存在测量误差。随着深度学习的蓬勃发展，在医学超声图像处理领域相比传统方法有更好的性能表现。卷积神经网络(Convolution Neural Networks,CNNs)在前景分类有良好应用，但用于分割时需提供感兴趣区域以辅助分类器检测，且patch-size限制感知区域大小，只能提取图像局特征，导致分类性能受限。

发明内容

有鉴于此，本发明的目的在于提供一种肛提肌裂孔的识别方法、装置和电子设备，以缓解了在采用传统的方法来对LH超声图像进行切割处理时，分割精度较低的技术问题。

第一方面，本发明实施例提供了一种肛提肌裂孔的识别方法，包括：通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图，其中，所述全卷积神经网络为预先设置在上下文模型的神经网络；基于活动轮廓模型对所述LH边缘预测图进行处理，得到所述超声图像的分割图像，其中，所述分割图像中包括肛提肌轮廓；在所述分割图像中识别所述LH的关键位置点；基于所述关键位置点确定所述LH的参数，从而实现所述LH的识别。

进一步地，通过改进的全卷积神经网络对待处理的肛提肌裂孔LH的超声图像进行处理，得到LH边缘预测图包括：将所述全卷积神经网络嵌入在所述上下文模型中，得到级联的A-FCN分类器；基于所述级联的A-FCN分类器对所述超声图像进行分析处理，得到对应的LH预测图；将所述级联的A-FCN分类器中最后一级分类器输出的LH预测图作为所述LH边缘预测图。

进一步地，基于所述级联的A-FCN分类器对所述超声图像进行分析处理，得到对应的LH预测图包括：获取第k-1级分类器输出的第一LH预测图；通过第k级分类器将所述第一LH预测图和所述超声图像进行融合分析处理，得到第二LH预测图，以使第k+1级分类器基于所述第二LH预测图和所述超声图像进行融合分析处理；其中，所述第k-1级分类器为所述第k级分类器的前一级分类器，第k+1级分类器为所述第k级分类器的前一级分类器，k依次取1至n，n为所述级联的A-FCN分类器中分类器的数量。