[发明专利]一种基于超声图像的胎儿头围全自动测量方法和装置

权利要求书

1.一种基于超声图像的胎儿头围全自动测量方法，其特征在于，包括步骤：

S1、获取胎儿头部二维超声图像；

S2、分割出ROI区域；

S3、获取ROI区域的轮廓；

S4、对上述胎儿头部的ROI区域的轮廓进行椭圆拟合；

S5、计算胎儿头围长度；

所述的步骤S3包括以下步骤：

S301、对步骤S2分割出的ROI区域进行筛选，首先将ROI区域进行连通域标记，记数量为M，分别计算M个连通域区域像素点面积，选取像素点面积最大的连通域保留，删除其他连通域并输出图像，记筛选出的图像为It；

S302、选取图像It中的目标区域，记图像为Ie，将图像Ie与未经处理的原始超声图像进行与运算，接着将运算后的结果图像以目标区域的中点为圆心进行极坐标变换，记图像为If，然后对图像If进行两次路径动态规划算法处理，获取胎儿颅骨最外层边界轮廓，记图像为Iz，最后将图像Iz进行图像的极坐标反变换，得到胎儿头部最终轮廓；

所述的步骤S302中的路径动态规划算法，其方式包括以下任意一种或多种：

基于二维图像灰度的路径动态规划；

基于二维图像概率图的路径动态规划；

基于二维图像梯度的路径动态规划。

2.根据权利要求1所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S2如下：

S201、构建用于二维图像分割的强化监督全卷积神经网络模型；

S202、通过数据增强的方式将用于训练神经模型的二维超声图像及其对应的二值标记图像进行等数量的扩增；

S203、使用反向传播算法对网络进行迭代优化；

S204、使用经优化的网络模型对二维超声图像进行语义分割，初步得到胎儿头部的ROI区域。

3.根据权利要求2所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S201中通过调整不同数量的网络输出层以计算出多误差，通过多误差函数加权求和并同时优化实现加强网络的监督，误差函数均采用Dice coefficient形式。

4.根据权利要求2所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S201中全卷积神经网络模型卷积层中采用维度为三维及以上维度的卷积核；

所述的步骤S201中全卷积神经网络模型加入dropout方法抑制过拟合现象，和batchnormalization方法加快网络传播速度，并在网络的各阶段加入了残差连接。

5.根据权利要求2所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S202中数据增强的方式包括以下任意一种或多种：

图像几何变换方法；

图像灰度增强方法；

图像复原处理方法。

6.根据权利要求2所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S203中所用反向传播算法为adam算法，通过调整多个误差函数的权重，实现整个网络的误差优化。

7.根据权利要求1所述的基于超声图像的胎儿头围全自动测量方法，其特征在于，所述的步骤S302中，图像It的目标区域的选取方法包括以下任意一种或多种：

选取图像It中连通区域的最大外截矩形区域；

选取图像It中连通区域轮廓的椭圆圆环区域。

8.一种基于超声图像的胎儿头围全自动测量装置，其特征在于，包括：

图像采集模块，用于获取胎儿头部二维超声图像；

模型分割模块，用于构建全卷积神经网络，根据全卷积神经网络对胎儿头部的二维超声图像进行语义分割，从中初步分割出ROI区域；

轮廓提取模块，用于获取ROI区域的轮廓；

轮廓拟合模块，用于对轮廓提取模块提取的胎儿头部的ROI区域的轮廓进行椭圆拟合；

胎儿头围计算模块，用于根据椭圆计算胎儿头围长度；

所述获取ROI区域的轮廓，包括以下步骤：

S301、对模型分割模块分割出的ROI区域进行筛选，首先将ROI区域进行连通域标记，记数量为M，分别计算M个连通域区域像素点面积，选取像素点面积最大的连通域保留，删除其他连通域并输出图像，记筛选出的图像为It；

S302、选取图像It中的目标区域，记图像为Ie，将图像Ie与未经处理的原始超声图像进行与运算，接着将运算后的结果图像以目标区域的中点为圆心进行极坐标变换，记图像为If，然后对图像If进行两次路径动态规划算法处理，获取胎儿颅骨最外层边界轮廓，记图像为Iz，最后将图像Iz进行图像的极坐标反变换，得到胎儿头部最终轮廓；

所述的步骤S302中的路径动态规划算法，其方式包括以下任意一种或多种：

基于二维图像灰度的路径动态规划；

基于二维图像概率图的路径动态规划；

基于二维图像梯度的路径动态规划。