[发明专利]一种基于卷积神经网络的胎儿头围自动精确测量方法

权利要求书

1.一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，包括以下步骤：

Setp1，输入原始胎儿超声丘脑切面超声扫查图像；

Setp2，多角度裁剪超声图像；

Setp3，输入给已训练好的DeepLabv2，得到多角度图像分割结果；

Setp4，对多角度图像分割结果进行叠加融合；

Setp5，提取叠加融合图像的边界，获取图像边界像素长度后完成测量。

2.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述测量方法是在深度学习框架TensorFlow下，进行头围自动测量系统设计与测试。

3.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，在Setp1和Setp2之间还包括去除输入图像的敏感信息，所述敏感信息包括关于患者隐私信息。

4.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述Setp2多角度裁剪指的是选取图像上方多个角度方向进行裁剪。

5.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述Setp3中，DeepLabv2模型训练方法包括以下步骤：

Setp31，搭建DeepLabv2网络模型；

Setp32，采用预训练集进行微调，以完成预训练的DeepLabv2网络模型；

Setp33，测定预测值与实际值之间的差异，以修正DeepLabv2网络模型；

Setp34，训练过程中，原始图像与标记图像成对的输入训练，图像中的每个像素对损失函数交叉熵是等同权重；

Setp35，使用随机梯度下降算法优化DeepLabv2网络模型参数。

6.根据权利要求5所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述DeepLabv2模型训练方法具体操作为：Setp31，使用ImageNet数据集对DeepLabv2网络模型进行预训练，完成初始化，达到迁移学习的目的；Setp32，完成预训练的DeepLabv2网络模型，继续在胎儿超声图像上训练，进行微调，以适应胎儿超声丘脑切面图像的颅脑分割任务；Setp33，训练过程中，我们使用交叉熵代价函数作为损失函数，来衡量预测值与实际值之间的差异；Setp34，训练过程中，原始图像与标记图像成对的输入训练，图像中的每个像素对损失函数交叉熵是等同权重；Setp35，使用随机梯度下降算法,优化DeepLabv2网络模型参数，来达到最优，整个训练过程，总计迭代 2×10⁵次，初始学习率为2.5×10^-4，每 1×10⁴ 学习率下降 5×10^-4倍。

7.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述Setp4中，具体操作方法为：按照多角度裁剪的方式，逆向将二值化的分割图像拼接还原成原图，与多角度裁剪的输入图像在原图上一一对应。

8.根据权利要求1所述的一种基于卷积神经网络的胎儿头围自动精确测量方法，其特征在于，所述Setp5中，提取叠加融合图像的边界的具体操作为：对于Setp4得到的叠加融合后的图像先进行膨胀，然后用膨胀后的图像减去Setp4得到的叠加融合后的图像。