[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

说明书

本发明公开了一种基于超声图像的胎儿头围全自动测量方法和装置，方法包括步骤：S1、获取胎儿头部二维超声图像；S2、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；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、根据椭圆计算胎儿头围长度。本发明基于深度学习方法和图像处理技术实现，可以快速准确的集合超声图像中的胎儿颅骨，根据像素之间与实际长度的对应关系可计算出胎儿的头围。

技术领域

本发明涉及分娩监护和超声图像处理研究领域，特别涉及一种基于超声图像的胎儿头围全自动测量方法和装置。

背景技术

B型超声诊断系统由于具有无创、价廉和安全等优点，越来越多的应用于医学诊断中，尤其是在产科检查中被广泛应用。医生利用B超可以检测胎儿发育过程中各项生长参数指标，以达到优生的目的。在产科检查的超声图像中，胎儿的头围显示清晰，易于测量，通过测量胎儿的头围可以估算胎儿的胎重或胎龄；因此，胎儿头围是衡量胎儿生长发育的重要参数。

目前，临床医生主要是通过移动轨迹球的方式手动确定胎儿头围的长轴和短轴，得到胎儿头围的椭圆形状，再通过椭圆周长公式计算胎儿头围周长，从而得到胎儿头围的测量结果，并进一步估算胎儿的胎重和胎龄。由于在上述操作过程中，临床医生的操作手法和熟练程度会影响对目标对象的定位，其测量结果会存在误差；同时，由于临床医生需要不间断地重复上述操作，枯燥单调，浪费时间，严重使得肢体重复性损伤。

自动测量胎儿头围是发展的方向，胎儿头围的椭圆定位与椭圆边缘分割是自动测量胎儿头围的关键步骤，现已成为胎儿头围自动测量的研究热点，国内外学者对此进行了深入的研究。Lu利用K-means算法和形态学运算得到颅骨段，然后利用迭代随机霍夫变换检测出椭圆形头部形状。该方法的主要问题是基于强度的k-means聚类方法不能有效地从含噪的超声图像中提取颅骨段，从而降低了霍夫变换对头部检测的鲁棒性。Stebbing和McManigle提出了随机森林边缘分类的边界碎片模型。然而，与颅骨结构强度相似的解剖结构的存在可能会降低该方法的鲁棒性。Ciurte等人提出将胎儿头部分割的任务定义为一个连续的最小切割问题。然而，这种方法需要用户辅助标记过程来初始化分割，因此使得测量过程非常繁琐。Foi等人建议采用多起点多尺度Nelder-Mead算法将成本函数最小化，将胎儿头部从超声图像中分割出来。成本函数是基于头骨像素的强度平均大于周围组织的假设。然而，由于周围存在高强度的组织，这种假设可能并不总是正确的。

综上，现存的头围拟合算法具有鲁棒性差且耗时较长的缺点。实现对胎儿超声图像的快速、精确的测量是亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于超声图像的胎儿头围全自动测量方法和装置，其可克服现有技术中胎儿超声图像的测量方法时间长、精确度低、缺乏临床应用的缺陷，具有快速、准确的优点。

本发明的目的通过以下的技术方案实现：一种基于超声图像的胎儿头围全自动测量方法，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。

本发明方法基于深度学习方法和图像处理技术实现，可以快速准确的集合超声图像中的胎儿颅骨，根据像素之间与实际长度的对应关系可计算出胎儿的头围。

进一步地，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；