[发明专利]基于深度学习的胎儿超声图像中标准切面图像识别方法及识别系统

说明书

本发明公开一种基于深度学习的胎儿超声切面图像中标准切面图像识别系统，其特征在于，包括图像采集模组、图像传输模组、图像识别模组及显示模组，所述图像采集模组对胎儿超声图像进行全扫描获得全扫描胎儿超声切面图像，所述图像传输模组通过无线或者有线方式传输全扫描胎儿超声切面图像至所述图像识别模组，所述图像识别模组基于Inception V3深度学习模型自动识别标准胎儿超声切面图像及基本标准胎儿超声切面图像，并由所述显示模组输出。本发明通过深度学习建立图像识别模组快速高效识别标准切面，提高效率和识别精度。同时，本发明还提供一种基于深度学习的胎儿超声切面图像中标准切面图像识别方法。

技术领域

本发明涉及图像识别技术领域，特别地，涉及一种基于深度学习的胎儿超声切面图像标准切面图像的识别方法和识别系统。

背景技术

熟悉正常胎儿解剖结构，有助于判断胎儿异常与否，所以如何精确测量胎儿的不同生命周期节点的结构、特定图像的参数以及对应特定图像参数的测量手段至关重要，诸如脑室、大脑半球、胸腔、心脏、脊柱、胃、肾和膀胱、脐带与腹壁附着部位以及肢体长骨如股骨、肱骨等结构及其参数、测量精度对判断胎儿是否正常发育是必不可少的。

现有技术中，有诸多描述胎儿正常生长参数和生长曲线图,最常用的有头臀长、双顶径、头围、小脑横径、腹围、股骨长、肱骨长、等。上述参数只有基于对应结构的标准切面图像的测量值，才能提供准确的胎龄与体重等，所以标准切面图像的识别是精确检测胎儿参数的前提，如果医师用于测量上述参数不是基于标准切面图像测量得到，则会大大影响检测结果的准确性，误导医师的判断。

那么如何快速准确找到用于胎儿检测的标准切面图像，业界有多种技术手段。现有技术主要通过超声检测手段来协助医师进行结构检查和参数数据测量，然而在该过程中，医师仅能基于自身的经验和主观判断来寻找标准切面图像，并无统一的标准检测方法，往往存在较大误差。

另一方面，随着人工神经网络的研究，深度学习的概念成为机器学习中对数据进行表征学习的有效手段，其可以在非监督式或者半监督式的特征学习和分层特征提取高效算法来替代手工获取特征并快速识别。

鉴于此，有必要提供一种基于深度学习的胎儿超声识别图像标准切面图像识别方法和系统，以克服现有技术中人工检测效率低及错误率高的缺陷。

发明内容

为了解决现有技术胎儿超声切面图像标准切面图像获取困难及检测效率低下的技术问题，本发明提供一种快速、精确获取胎儿超声切面图像标准切面图像、减少依赖人为经验判断的基于深度学习的胎儿超声切面图像中标准切面图像识别方法。

同时，本发明还提供一种采用上述基于深度学习的胎儿超声切面图像中标准切面图像识别方法的识别系统。

一种基于深度学习的胎儿超声切面图像中标准切面图像识别方法，包括如下步骤：构建模型：构建胎儿超声切面图像识别模型；采集数据：获取胎儿超声切面图像样本数据；模型训练：采集数据步骤获得的胎儿超声切面图像样本数据训练构建的模型；经上一步骤训练后的模型对实际样本进行标准切面图像识别，并输出识别结果。

在本发明所提供基于深度学习的胎儿超声切面图像中标准切面图像识别方法的一种较佳实施例中，所述步骤构建模型中的模型是通过深度学习模型Inception V3构建。

在本发明所提供基于深度学习的胎儿超声切面图像中标准切面图像识别方法的一种较佳实施例中，所述步骤构建模型中，还包括建立胎儿超声切面图像分类步骤，所述胎儿图像识别模型通过该分类标准对胎儿超声切面图像进行分类。

在本发明所提供基于深度学习的胎儿超声切面图像中标准切面图像识别方法的一种较佳实施例中，所述建立胎儿超声切面图像分类步骤包括第一层级分类及基于第一层级分类的第二层级分类，所述第二层级分类是第一层级分类的细化。