[发明专利]一种胎儿心脏结构分割测量方法、装置及计算机存储介质

权利要求书

1.一种胎儿心脏结构分割测量方法，其特征在于，所述方法包括：

将获取到的胎儿心脏超声图像输入到已经训练的图像深度学习分割模型中进行分析，并获取所述图像深度学习分割模型输出的分割结果，作为所述胎儿心脏超声图像的特征信息，所述胎儿心脏超声图像的特征信息包括该胎儿心脏超声图像的切面类别以及至少一个结构特征的形态；

根据每个所述结构特征的形态获取该结构特征的分割边缘，并根据所述切面类别的目标信息从每个所述结构特征的分割边缘中测量得到对应的几何参数。

2.根据权利要求1所述的胎儿心脏结构分割测量方法，其特征在于，所述获取到的胎儿心脏超声图像在输入到已经训练的图像深度学习分割模型中进行分析之前，所述方法还包括：

基于确定出的预处理方式对所述胎儿心脏超声图像执行预处理操作，得到去除目标类型信息后的胎儿心脏超声图像，并触发执行所述的输入到已经训练的图像深度学习分割模型，所述输入到图像深度学习分割模型的胎儿心脏超声图像均为去除目标类型信息后的胎儿心脏超声图像，所述预处理操作包括裁剪和/或隐藏。

3.根据权利要求1所述的胎儿心脏结构分割测量方法，其特征在于，所述图像深度学习分割模型包括U－Net分割模型，

以及，所述U－Net分割模型的训练方法包括：

获取胎儿心脏超声图像的训练样本集，所述胎儿心脏超声图像的训练样本集包含胎儿心脏的原始超声图像与标记的胎儿心脏的超声图像；

在确定出的深度学习框架下，搭建基于图像深度学习的U－Net分割模型；

根据所述训练样本集中胎儿心脏超声图像关键切面的图片尺寸及样本量数目，调整U－Net分割模型的模型参数以增强关键切面的影响因子，并对U－Net分割模型进行训练，得到所述的已经训练的图像深度学习分割模型，其中所述模型参数包括单次训练图片数目、数据增强模式中的至少一种。

4.根据权利要求3所述的胎儿心脏结构分割测量方法，其特征在于，所述U-Net分割模型使用交叉熵代价函数作为损失函数，

以及，所述对U－Net分割模型进行训练，得到所述的已经训练的图像深度学习分割模型，包括：

在对U-Net分割模型进行训练时，根据U-Net分割模型的预测值与实际值之间的差异，不断调整交叉熵代价函数直至收敛，其中，U-Net分割模型以胎儿心脏的原始超声图像与标记的胎儿心脏的超声图像成对输入，且胎儿心脏超声图像中的每个像素对的损失函数的交叉熵被配置为等同权重。

5.根据权利要求4所述的胎儿心脏结构分割测量方法，其特征在于，所述对U－Net分割模型进行训练，得到所述的已经训练的图像深度学习分割模型，包括：

在对U－Net分割模型进行训练时，使用随机梯度下降法对U－Net分割模型的所述模型参数进行优化，并控制训练过程参数被配置为包括总迭代1000轮、初始学习率为0.002，且每400轮下降一次学习率。

6.根据权利要求1所述的胎儿心脏结构分割测量方法，其特征在于，所述根据每个所述结构特征的形态获取该结构特征的分割边缘，并根据所述切面类别的目标信息从每个所述结构特征的分割边缘中测量得到对应的几何参数，包括：

对得到的每个所述结构特征使用Canny算法来提取每个所述结构特征的边界，并作为该结构特征的分割边缘执行测量操作，得到该结构特征的几何参数。

7.根据权利要求1－6任一项所述的胎儿心脏结构分割测量方法，其特征在于，

所有所述切面类别包括四腔心切面、左室流出道切面、右室流出道切面、三血管切面的至少一种；

所有所述结构特征包括腔室结构特征和血管结构特征，其中腔室结构特征包括左心室血腔特征、左心房血腔特征、右心室血腔特征、右心房血腔特征中的至少一种，血管结构特征包括升主动脉特征、肺动脉特征中的至少一种。