[发明专利]胎儿超声切面图像自动质控系统及检测方法

权利要求书

1.一种胎儿超声切面图像自动质控系统，其特征在于，所述胎儿超声切面图像自动质控系统包括：

胎儿超声切面数据采集模组，用于超声检测胎儿，获得原始胎儿超声切面数据；

胎儿超声切面数据预处理模组，用于接收来自所述胎儿超声切面数据采集模组的原始胎儿超声切面数据并预处理，获得预处理后的胎儿超声切面数据；

具深度学习分割网络U-Net数据处理模型的胎儿超声切面数据评估模组，用于接收预处理后的胎儿超声切面数据并经所述深度学习分割网络U-Net模型输出评估结果；及

胎儿超声切面数据反馈模组，用于依据所述胎儿超声切面数据评估模组的评估结果反馈胎儿超声切面数据的分数和质量报告。

2.根据权利要求1所述的胎儿超声切面图像自动质控系统，其特征在于，所述原始胎儿超声切面数据包括多个原始胎儿超声切面图像信息、多个关键结构信息和多个位置参数信息，且所述关键结构信息和位置参数信息与所述原始胎儿超声切面图像信息相对应。

3.根据权利要求1所述的胎儿超声切面图像自动质控系统，其特征在于，所述胎儿超声切面数据预处理模组对所述胎儿超声切面数据采集模组的原始胎儿超声切面数据的预处理包括依次设置的删除冗余处理、滤波去噪处理、归一化处理及图像增强处理。

4.根据权利要求1所述的胎儿超声切面图像自动质控系统，其特征在于，所述胎儿超声切面数据评估模组对所述预处理后的胎儿超声切面数据的评估结果包括判定所述胎儿超声切面图像是否是标准胎儿超声切面图像。

5.根据权利要求1所述的胎儿超声切面图像自动质控系统，其特征在于，所述深度学习分割网络U-Net数据处理模型的网络结构包括依次逻辑设置的：

第一层是输入层，其输入为512*512*3像素的矩阵；

第二层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为32，步长为2，该层使用SAME模式填充，输出大小为512*512*32的矩阵；

第三层是最大池化2D层，池化窗口尺寸大小为3*3，长和宽的步长均为2，该层输出的矩阵为256*256*32；后接一层卷积层，其卷积核尺寸为3*3*3，卷积核个数为64，步长为2，该层使用SAME模式填充，输出大小为256*256*64的矩阵；

第四层是最大池化2D层，池化窗口尺寸大小为3*3，长和宽的步长均为2，该层输出的矩阵为128*128*64；后接两层卷积层，其卷积核尺寸为3*3*3，卷积核个数为128，步长为2，该层使用SAME模式填充，输出大小为128*128*128的矩阵；

第五层是最大池化2D层，池化窗口尺寸大小为3*3，长和宽的步长均为2，该层输出的矩阵为64*64*128；后接两层卷积层，其卷积核尺寸为3*3*3，卷积核个数为256，步长为2，该层使用SAME模式填充，输出大小为64*64*256的矩阵；

第六层是最大池化2D层，池化窗口尺寸大小为3*3，长和宽的步长均为2，该层输出的矩阵为32*32*256；后接两层卷积层，其卷积核尺寸为3*3*3，卷积核个数为512，步长为2，该层使用SAME模式填充，输出大小为32*32*512的矩阵；后接一层转置卷积层，其卷积核尺寸为4*4*4，转置卷积核个数为256，该层使用2倍上采样操作，输出大小为64*64*256的矩阵；

第七层是相加层，把第五层的结果与第六层的结果进行相加，输出矩阵大小为64*64*512；

第八层是卷积层，其卷积核尺寸为3*3*3，卷积核个数为256，步长为1，后面接入RELU激活函数和批量正则化(Batch Normalization，简称BN)，该层使用SAME模式填充，输出大小为64*64*256的矩阵；

第九层是卷积层，其卷积核大小为3*3*3，卷积核个数为256，步长为1，后面接入RELU激活函数和BN，该层使用SAME模式填充，输出大小为64*64*256的矩阵；后接一层转置卷积层，其卷积核尺寸为4*4*4，转置卷积核个数为128，该层使用2倍上采样操作，输出大小为128*128*128的矩阵；

第十层是相加层，把第四层的结果与第九层的结果进行相加，输出矩阵大小为128*128*256；

第十一层是卷积层，其卷积核大小为3*3*3，卷积核个数为128，步长为1，后面接入RELU激活函数和BN，该层使用SAME模式填充，输出大小为128*128*128的矩阵；

第十二层是卷积层，其卷积核大小为3*3*3，卷积核个数为128，步长为1，后面接入RELU激活函数和BN，该层使用SAME模式填充，输出大小为128*128*128的矩阵；后接一层转置卷积层，其卷积核尺寸为4*4*4，转置卷积核个数为64，该层使用2倍上采样操作，输出大小为256*256*64的矩阵；

第十三层是相加层，把第三层的结果与第十二层的结果进行相加，输出矩阵大小为256*256*128；

第十四层是卷积层，其卷积核大小为3*3*3，卷积核个数为64，步长为1，后面接入RELU激活函数和BN，该层使用SAME模式填充，输出大小为256*256*64的矩阵；

第十五层是卷积层，其卷积核大小为3*3*3，卷积核个数为64，步长为1，后面接入RELU激活函数和BN，该层使用SAME模式填充，输出大小为256*256*64的矩阵；后接一层转置卷积层，其卷积核尺寸为4*4*4，转置卷积核个数为32，该层使用2倍上采样操作，输出大小为512*512*32的矩阵；

第十六层是相加层，把第二层的结果与第十五层的结果进行相加，输出矩阵大小为512*512*64；

第十七层是卷积层，其卷积核大小为3*3*3，卷积核个数为32，步长为1，后面接入RELU激活函数和BN，该层使用SAME模式填充，输出大小为512*521*32的矩阵；

第十八层是卷积层，其卷积核大小为3*3*3，卷积核个数为32，步长为1，后面接入RELU激活函数和BN，该层使用SAME模式填充，输出大小为512*521*32的矩阵；

第十九层是卷积层，其卷积核大小为1*1*1，卷积核个数为3，步长为1，后面接入Softmax激活函数，该层使用SAME模式填充，输出大小为512*521*3的矩阵。