CN108888294A - 一种检测颈部透明带宽度的方法及装置 - Google Patents
一种检测颈部透明带宽度的方法及装置 Download PDFInfo
- Publication number
- CN108888294A CN108888294A CN201810419975.6A CN201810419975A CN108888294A CN 108888294 A CN108888294 A CN 108888294A CN 201810419975 A CN201810419975 A CN 201810419975A CN 108888294 A CN108888294 A CN 108888294A
- Authority
- CN
- China
- Prior art keywords
- nuchal translucency
- region
- image
- fetus
- nuchal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 210000003754 fetus Anatomy 0.000 claims abstract description 105
- 230000011218 segmentation Effects 0.000 claims abstract description 65
- 238000000605 extraction Methods 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 230000005284 excitation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 19
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 10
- 238000009738 saturating Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 210000004276 hyalin Anatomy 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 208000031404 Chromosome Aberrations Diseases 0.000 description 2
- 208000036830 Normal foetus Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000002751 lymph Anatomy 0.000 description 2
- 210000001365 lymphatic vessel Anatomy 0.000 description 2
- 210000001161 mammalian embryo Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010033675 panniculitis Diseases 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 210000004304 subcutaneous tissue Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010067477 Cytogenetic abnormality Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0858—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving measuring tissue layers, e.g. skin, interfaces
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种检测颈部透明带宽度的方法及装置，涉及机器学习技术领域，该方法包括：根据颈部透明带定位模型确定胎儿影像中颈部透明带的位置坐标，然后根据颈部透明带的位置坐标以及颈部透明带分割模型从胎儿影像中分割出颈部透明带区域，再通过对颈部透明带区域进行测量确定颈部透明带宽度。相较于人工标注颈部透明带区域的方法，通过颈部透明带定位模型和颈部透明带分割模型自动从胎儿影像中确定颈部透明带区域，提高了颈部透明带宽度的检测效率。其次根据颈部透明带的位置坐标确定胎儿影像中颈部透明带对应的粗分割区域，再通过颈部透明带分割模型从粗分割区域中确定颈部透明带区域，提高检测颈部透明带宽度的精度。
Description
本申请要求在2018年3月30日提交中华人民共和国知识产权局、申请号为201810277355.3、发明名称为“一种检测颈部透明带宽度的方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明实施例涉及机器学习技术领域，尤其涉及一种检测颈部透明带宽度的方法及装置。
背景技术
颈部透明带是指胎儿颈后皮下组织内液体积聚的厚度，14周前部分正常胚胎上肢淋巴可出现短暂的回流障碍，出现暂时的透明层增厚。到14周左右时，胚胎的左右淋巴管与颈静脉窦相通以后，则透明层逐渐变薄消失，颈部透明带增厚与多种胎儿先天性异常都有较密切的关系，如染色体异常、心血管系统异常等。因此作为一项有效的检测指标，测量颈部透明带厚度已被较广泛地应用于胎儿染色体异常的筛查。现有技术中，颈部透明带测量方法主要为医生使用手持超声拍摄到有颈部透明带的图像后，手动标定测量，效率较低。
发明内容
本发明实施例提供一种检测颈部透明带宽度的方法及装置，用于解决现有技术中依靠医生手动标定测量颈部透明带宽度效率较低的问题。
一方面，本发明实施例提供了一种检测颈部透明带宽度的方法，该方法包括：获取胎儿影像，然后根据颈部透明带定位模型确定所述胎儿影像中颈部透明带的位置坐标，其中，颈部透明带定位模型是采用卷积神经网络对已标记颈部透明带的位置坐标的多幅胎儿影像进行训练后确定的。接着根据颈部透明带的位置坐标以及颈部透明带分割模型从所述胎儿影像中分割出颈部透明带区域，其中，颈部透明带分割模型是采用卷积神经网络对已标记颈部透明带区域的多幅胎儿影像进行训练后确定的。之后再通过对所述颈部透明带区域进行测量确定颈部透明带宽度。由于采用卷积神经网络对已标记颈部透明带区域的胎儿影像进行训练确定颈部透明带分割模型，故在获取需要检测颈部透明带宽度的胎儿影像时，将胎儿影像输入颈部透明带分割模型即可自动确定出胎儿影像中颈部透明带区域，进一步对颈部透明带区域进行测量即可确定颈部透明带的宽度，相较于人工手动标定颈部透明带区域后测量宽度的方法，有效地提高了检测效率。其次，采用颈部透明带分割模型确定胎儿影像中颈部透明带区域之前，先通过颈部透明带定位模型确定颈部透明带在胎儿影像中的位置，然后结合颈部透明带在胎儿影像中的位置以及颈部透明带分割模型确定胎儿影像中颈部透明带区域，从而提高了检测颈部透明带区域的精度和效率。
可选地，所述根据所述颈部透明带的位置坐标以及颈部透明带分割模型从所述胎儿影像中分割出颈部透明带区域，具体可以为：以所述颈部透明带的位置坐标为中心，从所述胎儿影像中分割出预设形状的粗分割区域，然后将所述粗分割区域输入所述颈部透明带分割模型确定颈部透明带区域。由于先通过颈部透明带定位模型确定了颈部透明带在胎儿影像中的位置坐标，然后以颈部透明带的位置坐标为中心，分割出粗分割区域，相较于将整张胎儿影像输入颈部透明带分割模型确定颈部透明带区域的方法，将粗分割区域输入颈部透明带分割模型确定颈部透明带区域能有效提高颈部透明带区域的检测精度和检测效率。
可选地，所述将所述粗分割区域输入所述颈部透明带分割模型确定颈部透明带区域具体可以为：将所述粗分割区域依次通过m个第一卷积特征提取块提取所述粗分割区域的特征图像，m大于0，然后将所述粗分割区域的特征图像经下采样块转化为感知视野图像，接着通过上采样块对所述感知视野图像进行反卷积，确定所述粗分割区域的概率分布图，最后根据所述粗分割区域的概率分布图确定所述颈部透明带区域。
可选地，所述根据颈部透明带定位模型确定所述胎儿影像中颈部透明带的位置坐标具体可以为：将所述胎儿影像依次通过n个第二卷积特征提取块进行特征图像的提取，n大于等于2小于等于5。然后将所述特征图像转换为特征向量并通过全连接层将所述特征向量映射为所述胎儿影像中颈部透明带的位置坐标。
可选地，所述第一卷积特征提取块包括卷积层、批量化(BN)层、激励函数层；所述第二卷积特征提取块包括卷积层、批量化(BN)层、激励函数层以及池化层。
一方面，本发明实施例提供了一种检测颈部透明带宽度的装置，包括获取模块、定位模块、分割模块以及测量模块，其中，获取模块用于获取胎儿影像。定位模块用于根据颈部透明带定位模型确定所述胎儿影像中颈部透明带的位置坐标，所述颈部透明带定位模型是采用卷积神经网络对已标记颈部透明带的位置坐标的多幅胎儿影像进行训练后确定的。分割模块用于根据所述颈部透明带的位置坐标以及颈部透明带分割模型从所述胎儿影像中分割出颈部透明带区域，所述颈部透明带分割模型是采用卷积神经网络对已标记颈部透明带区域的多幅胎儿影像进行训练后确定的。测量模块用于通过对所述颈部透明带区域进行测量确定颈部透明带宽度。
可选地，所述分割模块具体用于：以所述颈部透明带的位置坐标为中心，从所述胎儿影像中分割出预设形状的粗分割区域，然后将所述粗分割区域输入所述颈部透明带分割模型确定颈部透明带区域。
可选地，所述分割模块具体用于：将所述粗分割区域依次通过m个第一卷积特征提取块提取所述粗分割区域的特征图像，m大于0，然后将所述粗分割区域的特征图像经下采样块转化为感知视野图像，之后通过上采样块对所述感知视野图像进行反卷积，确定所述粗分割区域的概率分布图，根据所述粗分割区域的概率分布图确定所述颈部透明带区域。
可选地，所述定位模块具体用于：将所述胎儿影像依次通过n个第二卷积特征提取块进行特征图像的提取，n大于等于2小于等于5。然后将所述特征图像转换为特征向量并通过全连接层将所述特征向量映射为所述胎儿影像中颈部透明带的位置坐标。
可选地，所述第一卷积特征提取块包括卷积层、批量化(BN)层、激励函数层，所述第二卷积特征提取块包括卷积层、批量化(BN)层、激励函数层以及池化层。
另一方面，本发明实施例提供了一种终端设备，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述方法的步骤。
又一方面，本发明实施例提供了一种计算机可读存储介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行上述任一项所述方法的步骤。
本发明实施例中，采用卷积神经网络对已标记颈部透明带的位置坐标的胎儿影像进行训练确定颈部透明带定位模型，采用卷积神经网络对已标记颈部透明带区域的胎儿影像进行训练确定颈部透明带分割模型，通过颈部透明带定位模型和颈部透明带分割模型能自动从胎儿影像中确定颈部透明带区域，然后进一步确定颈部透明带的宽度，相较于人工标记出胎儿影像中的颈部透明带区域再进行测量的方法，本发明实施例的方法效率更高。其次，通过颈部透明带定位模型确定胎儿影像中颈部透明带的位置坐标，然后根据颈部透明带的位置坐标确定胎儿影像中颈部透明带对应的粗分割区域，之后再通过颈部透明带分割模型从粗分割区域中确定颈部透明带区域，相较于直接将胎儿影像输入颈部透明带分割模型确定颈部透明带区域的方法，本发明实施例的方法检测颈部透明带区域的精度更高，进一步也提高测量颈部透明带宽度的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种检测颈部透明带宽度的方法的流程示意图；
图2为本发明实施例提供的一种胎儿影像的示意图；
图3为本发明实施例提供的一种颈部透明带定位模型训练方法的流程示意图；
图4为本发明实施例提供的一种确定颈部透明带的位置坐标的流程示意图；
图5为本发明实施例提供的一种颈部透明带定位模型的结构示意图；
图6为本发明实施例提供的一种颈部透明带分割模型训练方法的流程示意图；
图7为本发明实施例提供的一种分割颈部透明带区域的流程示意图；
图8a为本发明实施例提供的一种颈部透明带分割模型的结构示意图；
图8b为本发明实施例提供的一种第一卷积特征提取块的结构示意图；
图9为本发明实施例提供的一种检测颈部透明带宽度的装置的结构示意图；
图10为本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1例性示出了本发明实施例提供的一种检测颈部透明带宽度的方法的流程，该流程可以由检测颈部透明带宽度的装置执行，如图1所示，该流程的具体步骤包括：
步骤S101，获取胎儿影像。
胎儿影像为用于检测胎儿颈部透明带宽度时所拍摄的影像，该类胎儿影像一般在胎儿11周～13周拍摄。胎儿影像可以胎儿超声影像、胎儿磁共振成像(Magnetic ResonanceImaging，简称MRI)等。颈部透明带是指胎儿颈后皮下组织内液体积聚的厚度，14周前部分正常胚胎上肢淋巴可出现短暂的回流障碍，出现暂时的透明层增厚。到14周左右时，胚胎的左右淋巴管与颈静脉窦相通以后，则透明层逐渐变薄消失。本发明实施例提供了一种胎儿超声影像的示例，具体如图2所示，在图2所示的胎儿超声影像中，矩形框框出的部分即为颈部透明带。
步骤S102，根据颈部透明带定位模型确定胎儿影像中颈部透明带的位置坐标。
颈部透明带定位模型是采用卷积神经网络对已标记颈部透明带的位置坐标的多幅胎儿影像进行训练后确定的，将胎儿影像输入颈部透明带定位模型后，输出胎儿影像中颈部透明带的位置坐标。
步骤S103，根据颈部透明带的位置坐标以及颈部透明带分割模型从胎儿影像中分割出颈部透明带区域。
颈部透明带分割模型是采用卷积神经网络对已标记颈部透明带区域的多幅胎儿影像进行训练后确定的。
在一种可能的实时方式中，可以直接将胎儿影像输入颈部透明带分割模型，通过颈部透明带分割模型输出颈部透明带区域。
在另一种可能的实时方式中，以颈部透明带的位置坐标为中心，从胎儿影像中分割出预设形状的粗分割区域，然后将粗分割区域输入颈部透明带分割模型确定颈部透明带区域。具体地，预设形状可以正方形、矩形圆形等。粗分割区域的大小可以根据实际情况进行设定，比如以颈部透明带的位置坐标为中心向外扩50像素。由于先通过颈部透明带定位模型确定了颈部透明带在胎儿影像中的位置坐标，然后以颈部透明带的位置坐标为中心，分割出粗分割区域，故缩小了检测颈部透明带的区域，相较于将整张胎儿影像输入颈部透明带分割模型确定颈部透明带区域的方法，将粗分割区域输入颈部透明带分割模型确定颈部透明带区域能有效提高颈部透明带区域的检测精度和检测效率。
步骤S104，通过对颈部透明带区域进行测量确定颈部透明带宽度。
通过测量颈部透明带区域短径的长度确定颈部透明带宽度。具体实施中，根据颈部透明带区域的像素集合计算协方差矩阵，然后对协方差矩阵进行奇异值分解(Singularvalue decomposition，简称SVD)，确定一奇异值向量和变换矩阵。然后取奇异值向量中最小的项，设标号为k，通过变换矩阵，选取映射空间下第k维上最大的点和最小的点，将选取的两点逆变换为原始空间，输出两点在原始空间下的距离，即为颈部透明带宽度。
由于采用卷积神经网络对已标记颈部透明带区域的胎儿影像进行训练确定颈部透明带分割模型，故在获取需要检测颈部透明带宽度的胎儿影像时，将胎儿影像输入颈部透明带分割模型即可确定出胎儿影像中颈部透明带区域，进一步对颈部透明带区域进行测量即可确定颈部透明带的宽度，相较于人工手动标定颈部透明带区域后测量宽度的方法，有效地提高了检测效率。其次，采用颈部透明带分割模型确定胎儿影像中颈部透明带区域之前，先通过颈部透明带定位模型确定颈部透明带在胎儿影像中的位置，然后结合颈部透明带在胎儿影像中的位置以及颈部透明带分割模型确定胎儿影像中颈部透明带区域，从而提高了检测颈部透明带区域的精度。
下面具体介绍一下通过卷积神经网络训练确定颈部透明带定位模型过程，如图3所示包括以下步骤：
步骤S301，获取多幅胎儿影像作为训练样本。
具体地，可以将获取的多幅胎儿影像直接作为训练样本，也可以对获取的多幅超声影像进行增强操作，扩大训练样本的数据量，增强操作包括但不限于：随机水平镜像、随机上下左右平移设定像素(比如0～100像素)、随机旋转设定角度(比如-15～15度)、随机缩放设定倍数(比如0.85～1.15倍)。
步骤S302，人工标记训练样本中颈部透明带的位置坐标。
具体地，可以通过医生等专业人员对训练样本进行标记。在标记颈部透明带的位置坐标时，可以将颈部透明带区域内的点标记为颈部透明带的位置坐标(比如颈部透明带区域的中心)，也可以将颈部透明带区域边缘上的点标记为颈部透明带的位置坐标(比如颈部透明带区域短径的上电或下点)，还可以将颈部透明带区域附近的点标记为颈部透明带的位置坐标。
步骤S303，将训练样本输入卷积神经网络进行训练，确定颈部透明带定位模型。
该卷积神经网络的结构包括输入层、卷积特征提取块、全连接层、输出层。训练样本输入上述卷积神经网络后，输出颈部透明带的位置坐标。进一步地，将输出的颈部透明带的位置坐标与训练样本中预先标记的颈部透明带的位置坐标以L1范数作为目标函数，通过反向传播算法及sgd的优化方法反复迭代至目标函数收敛，确定颈部透明带定位模型。
进一步地，采用上述训练确定的颈部透明带定位模型确定胎儿影像中颈部透明带的位置坐标的过程如图4所示，包括以下步骤：
步骤S401，将胎儿影像依次通过n个第二卷积特征提取块进行特征图像的提取。
步骤S402，将特征图像转换为特征向量并通过全连接层将特征向量映射为胎儿影像中颈部透明带的位置坐标。
可选地，颈部透明带定位模型包括一个输入层、n个第二卷积特征提取块、q个全连接层、一个输出层，其中n大于等于2小于等于5，n的具体取值根据实际情况确定，q大于0。进一步地，第二卷积特征提取块包括卷积层、批量化(BN)层、激励函数层以及池化层。第二卷积特征提取块中各层的大小可以根据实际情况确定，比如3*3大小的卷积层，BN层，relu激励函数层，2*2的max池化层。两个全连接层之间为dropout层，概率可设为0.5。下面举例介绍颈部透明带定位模型结构，如图5所示，设定颈部透明带定位模型包括一个输入层、n个第二卷积特征提取块、q个全连接层、一个输出层，其中，第二卷积特征提取块包括卷积层、BN层、relu激励函数层、max池化层。
采用卷积神经网络对已标记颈部透明带位置坐标的胎儿影像进行训练，确定颈部透明带定位模型，故在检测胎儿影像时，利用颈部透明带定位模型能自动定位出颈部透明带在胎儿影像中的位置，后续可以根据颈部透明带的位置从胎儿影像中分割出颈部透明带区域，从而提高分割透明带区域的效率和精度。
下面具体介绍一下通过卷积神经网络训练确定颈部透明带分割模型过程，如图6所示，包括以下步骤：
步骤S601，获取多幅胎儿影像作为训练样本。
步骤S602，人工标记训练样本中颈部透明带区域。
在标记颈部透明带区域时，首先框选出训练样本中颈部透明带的粗略区域，然后在粗略区域中标注颈部透明带区域掩码图，可选地，在粗略区域中标注颈部透明带区域掩码图的方法可以为：用闭合折线描绘粗略区域中的颈部透明带区域的边缘，将闭合折线内部的像素在掩码图上置为1，外部的像素在掩码图上置为0。
步骤S603，将训练样本输入卷积神经网络进行训练，确定颈部透明带分割模型。
该卷积神经网络的结构包括输入层、卷积特征提取块、下采样块、上采样块以及输出层。将训练样本输入上述卷积神经网络之后，输出训练样本的概率分布图，将输出的概率分布图与预先标记的训练样本的掩码图进行损失函数计算，然后采用反向传播算法以及sgd优化算法反复迭代，确定颈部透明带分割模型。
进一步地，采用上述训练确定的颈部透明带分割模型以及颈部透明带定位模型输出的颈部透明带的位置坐标从胎儿影像中分割出颈部透明带区域的过程如图7所示，包括以下步骤：
步骤S701，将粗分割区域依次通过m个第一卷积特征提取块提取粗分割区域的特征图像。
步骤S702，将粗分割区域的特征图像经下采样块转化为感知视野图像。
步骤S703，通过上采样块对感知视野图像进行反卷积，确定粗分割区域的概率分布图。
可选地，颈部透明带分割模型包括一个输入层、m个第一卷积特征提取块、x个下采样块、y个上采样块及一个输出层，m、x、y均大于0，m、x、y具体取值根据实际情况确定。进一步地，第一卷积特征提取块包括卷积层、批量化(BN)层、激励函数层，各层的大小可以根据实际情况确定，比如第一卷积特征提取块包括一个3*3的卷积层，一个BN层和一个relu激励函数层。下采样块包括max pooling下采样层以及第一卷积特征提取块，上采样块包括反卷积上采样层、连接层以及第一卷积特征提取块，其中全连接层连接下采样块的输出结果。下面举例介绍颈部透明带分割模型结构，如图8a所示，设定颈部透明带分割模型包括一个输入层、m个第一卷积特征提取块、x个下采样块、y个上采样块及一个输出层，其中，第一卷积特征提取块包括卷积层，BN层和激励函数层，第一卷积特征提取块的结构如图8b所示。下采样块包括a个max pooling下采样层以及b个第一卷积特征提取块，上采样块包括c个反卷积上采样层、d个连接层以及e个第一卷积特征提取块，其中上采样块的连接层用于连接下采样块的输出结果，a、b、c、d、e均大于0。
步骤S704，根据粗分割区域的概率分布图确定颈部透明带区域。
具体地，对粗分割区域的概率分布图进行阈值分割，大于阈值的部分视为颈部透明带区域。当进行阈值分割后，确定出多个分割区域，则计算各个分割区域的大小，保留最大的分割区域作为颈部透明带区域。采用上述卷积神经网络对已标记颈部透明带区域的多幅胎儿影像进行训练后，确定颈部透明带分割模型，故通过颈部透明带分割模型能自动从胎儿影像中确定颈部透明带区域，而不需要人工在胎儿影像中标定颈部透明带区域，从而提高了检测颈部透明带宽度的效率。
基于相同的技术构思，本发明实施例提供了一种检测颈部透明带宽度的装置，如图9所示，该装置可以执行检测颈部透明带宽度的方法放入流程，该装置900包括：获取模块901、定位模块902、分割模块903以及测量模块904。
获取模块901用于获取胎儿影像。定位模块902用于根据颈部透明带定位模型确定所述胎儿影像中颈部透明带的位置坐标，所述颈部透明带定位模型是采用卷积神经网络对已标记颈部透明带的位置坐标的多幅胎儿影像进行训练后确定的。分割模块903用于根据所述颈部透明带的位置坐标以及颈部透明带分割模型从所述胎儿影像中分割出颈部透明带区域，所述颈部透明带分割模型是采用卷积神经网络对已标记颈部透明带区域的多幅胎儿影像进行训练后确定的。测量模块904用于通过对所述颈部透明带区域进行测量确定颈部透明带宽度。
可选地，所述分割模块903具体用于：以所述颈部透明带的位置坐标为中心，从所述胎儿影像中分割出预设形状的粗分割区域，然后将所述粗分割区域输入所述颈部透明带分割模型确定颈部透明带区域。
可选地，所述分割模块903具体用于：将所述粗分割区域依次通过m个第一卷积特征提取块提取所述粗分割区域的特征图像，m大于0，然后将所述粗分割区域的特征图像经下采样块转化为感知视野图像，之后通过上采样块对所述感知视野图像进行反卷积，确定所述粗分割区域的概率分布图，根据所述粗分割区域的概率分布图确定所述颈部透明带区域。
可选地，所述定位模块902具体用于：将所述胎儿影像依次通过n个第二卷积特征提取块进行特征图像的提取，n大于等于2小于等于5。然后将所述特征图像转换为特征向量并通过全连接层将所述特征向量映射为所述胎儿影像中颈部透明带的位置坐标。
可选地，所述第一卷积特征提取块包括卷积层、批量化(BN)层、激励函数层，所述第二卷积特征提取块包括卷积层、批量化(BN)层、激励函数层以及池化层。
本发明实施例提供了一种终端设备，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行检测颈部透明带宽度的方法的步骤。如图10所示，为本发明实施例中所述的终端设备的硬件结构示意图，该终端设备具体可以为台式计算机、便携式计算机、智能手机、平板电脑等。具体地，该终端设备可以包括存储器1001、处理器1002及存储在存储器上的计算机程序，所述处理器1002执行所述程序时实现上述实施例中的任一检测颈部透明带宽度的方法的步骤。其中，存储器1001可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器1002提供存储器1001中存储的程序指令和数据。
进一步地，本申请实施例中所述的终端设备还可以包括输入装置1003以及输出装置1004等。输入装置1003可以包括键盘、鼠标、触摸屏等；输出装置1004可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)，触摸屏等。存储器1001，处理器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。处理器1002调用存储器1001存储的程序指令并按照获得的程序指令执行上述实施例提供的检测颈部透明带宽度的方法。
本发明实施例还提供了一种计算机可读存储介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行检测颈部透明带宽度的方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种检测颈部透明带宽度的方法，其特征在于，包括：
获取胎儿影像；
根据颈部透明带定位模型确定所述胎儿影像中颈部透明带的位置坐标，所述颈部透明带定位模型是采用卷积神经网络对已标记颈部透明带的位置坐标的多幅胎儿影像进行训练后确定的；
根据所述颈部透明带的位置坐标以及颈部透明带分割模型从所述胎儿影像中分割出颈部透明带区域，所述颈部透明带分割模型是采用卷积神经网络对已标记颈部透明带区域的多幅胎儿影像进行训练后确定的；
通过对所述颈部透明带区域进行测量确定颈部透明带宽度。
2.如权利要求1所述的方法，其特征在于，所述根据所述颈部透明带的位置坐标以及颈部透明带分割模型从所述胎儿影像中分割出颈部透明带区域，包括：
以所述颈部透明带的位置坐标为中心，从所述胎儿影像中分割出预设形状的粗分割区域；
将所述粗分割区域输入所述颈部透明带分割模型确定颈部透明带区域。
3.如权利要求2所述的方法，其特征在于，所述将所述粗分割区域输入所述颈部透明带分割模型确定颈部透明带区域，包括：
将所述粗分割区域依次通过m个第一卷积特征提取块提取所述粗分割区域的特征图像，m大于0；
将所述粗分割区域的特征图像经下采样块转化为感知视野图像；
通过上采样块对所述感知视野图像进行反卷积，确定所述粗分割区域的概率分布图；
根据所述粗分割区域的概率分布图确定所述颈部透明带区域。
4.如权利要求1至3任一项所述的方法，其特征在于，所述根据颈部透明带定位模型确定所述胎儿影像中颈部透明带的位置坐标，包括：
将所述胎儿影像依次通过n个第二卷积特征提取块进行特征图像的提取，n大于等于2小于等于5；
将所述特征图像转换为特征向量并通过全连接层将所述特征向量映射为所述胎儿影像中颈部透明带的位置坐标。
5.如权利要求4所述的方法，其特征在于，所述第一卷积特征提取块包括卷积层、批量化(BN)层、激励函数层；
所述第二卷积特征提取块包括卷积层、批量化(BN)层、激励函数层以及池化层。
6.一种检测颈部透明带宽度的装置，其特征在于，包括：
获取模块，用于获取胎儿影像；
定位模块，用于根据颈部透明带定位模型确定所述胎儿影像中颈部透明带的位置坐标，所述颈部透明带定位模型是采用卷积神经网络对已标记颈部透明带的位置坐标的多幅胎儿影像进行训练后确定的；
分割模块，用于根据所述颈部透明带的位置坐标以及颈部透明带分割模型从所述胎儿影像中分割出颈部透明带区域，所述颈部透明带分割模型是采用卷积神经网络对已标记颈部透明带区域的多幅胎儿影像进行训练后确定的；
测量模块，用于通过对所述颈部透明带区域进行测量确定颈部透明带宽度。
7.如权利要求6所述的装置，其特征在于，所述分割模块具体用于：
以所述颈部透明带的位置坐标为中心，从所述胎儿影像中分割出预设形状的粗分割区域；
将所述粗分割区域输入所述颈部透明带分割模型确定颈部透明带区域。
8.如权利要求7所述的装置，其特征在于，所述分割模块具体用于：
将所述粗分割区域依次通过m个第一卷积特征提取块提取所述粗分割区域的特征图像，m大于0；
将所述粗分割区域的特征图像经下采样块转化为感知视野图像；
通过上采样块对所述感知视野图像进行反卷积，确定所述粗分割区域的概率分布图；
根据所述粗分割区域的概率分布图确定所述颈部透明带区域。
9.如权利要求6至8任一项所述的装置，其特征在于，所述定位模块具体用于：
将所述胎儿影像依次通过n个第二卷积特征提取块进行特征图像的提取，n大于等于2小于等于5；
将所述特征图像转换为特征向量并通过全连接层将所述特征向量映射为所述胎儿影像中颈部透明带的位置坐标。
10.如权利要求9所述的装置，其特征在于，所述第一卷积特征提取块包括卷积层、批量化(BN)层、激励函数层；
所述第二卷积特征提取块包括卷积层、批量化(BN)层、激励函数层以及池化层。
11.一种终端设备，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～5任一权利要求所述方法的步骤。
12.一种计算机可读存储介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～5任一所述方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810277355 | 2018-03-30 | ||
| CN2018102773553 | 2018-03-30 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108888294A true CN108888294A (zh) | 2018-11-27 |
| CN108888294B CN108888294B (zh) | 2021-02-23 |
Family
ID=64342482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810419975.6A Active CN108888294B (zh) | 2018-03-30 | 2018-05-04 | 一种检测颈部透明带宽度的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108888294B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523547A (zh) * | 2018-12-21 | 2019-03-26 | 四川大学华西医院 | 一种影像结节检出的方法及装置 |
| CN109671073A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 胎儿股骨测量方法、装置、计算机设备及可读存储介质 |
| CN110163907A (zh) * | 2019-05-28 | 2019-08-23 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
| CN110432892A (zh) * | 2019-08-05 | 2019-11-12 | 苏州米特希赛尔人工智能有限公司 | 机器学习心电图自动诊断系统 |
| CN110613480A (zh) * | 2019-01-14 | 2019-12-27 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
| CN111481233A (zh) * | 2019-01-28 | 2020-08-04 | 四川大学华西第二医院 | 胎儿颈项透明层厚度测量方法 |
| CN112434556A (zh) * | 2020-10-20 | 2021-03-02 | 深圳市悦保科技有限公司 | 宠物鼻纹识别方法、装置、计算机设备及存储介质 |
| CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006117497A2 (en) * | 2005-05-03 | 2006-11-09 | St George's Healthcare Nhs Trust | Automated measurement in images |
| KR100803328B1 (ko) * | 2006-07-06 | 2008-02-14 | 이화여자대학교 산학협력단 | 태아 초음파 영상에서 목덜미투명대의 자동 측정방법 |
| US20110028841A1 (en) * | 2009-07-30 | 2011-02-03 | Medison Co., Ltd. | Setting a Sagittal View In an Ultrasound System |
| CN103263278A (zh) * | 2013-01-23 | 2013-08-28 | 郑末晶 | 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法 |
| CN104156967A (zh) * | 2014-08-18 | 2014-11-19 | 深圳市开立科技有限公司 | 一种胎儿颈部透明层图像分割方法、装置及系统 |
| CN105769120A (zh) * | 2016-01-27 | 2016-07-20 | 深圳地平线机器人科技有限公司 | 疲劳驾驶检测方法和装置 |
-
2018
- 2018-05-04 CN CN201810419975.6A patent/CN108888294B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006117497A2 (en) * | 2005-05-03 | 2006-11-09 | St George's Healthcare Nhs Trust | Automated measurement in images |
| KR100803328B1 (ko) * | 2006-07-06 | 2008-02-14 | 이화여자대학교 산학협력단 | 태아 초음파 영상에서 목덜미투명대의 자동 측정방법 |
| US20110028841A1 (en) * | 2009-07-30 | 2011-02-03 | Medison Co., Ltd. | Setting a Sagittal View In an Ultrasound System |
| CN103263278A (zh) * | 2013-01-23 | 2013-08-28 | 郑末晶 | 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法 |
| CN104156967A (zh) * | 2014-08-18 | 2014-11-19 | 深圳市开立科技有限公司 | 一种胎儿颈部透明层图像分割方法、装置及系统 |
| CN105769120A (zh) * | 2016-01-27 | 2016-07-20 | 深圳地平线机器人科技有限公司 | 疲劳驾驶检测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 牛连强等: "深度连续卷积神经网络模型构建与性能分析", 《沈阳工业大学学报》 * |
| 詹曙等: "前列腺磁共振图像分割的反卷积神经网络方法", 《中国图像图形学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671073A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 胎儿股骨测量方法、装置、计算机设备及可读存储介质 |
| CN109523547A (zh) * | 2018-12-21 | 2019-03-26 | 四川大学华西医院 | 一种影像结节检出的方法及装置 |
| CN110613480A (zh) * | 2019-01-14 | 2019-12-27 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
| CN110613480B (zh) * | 2019-01-14 | 2022-04-26 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
| CN111481233A (zh) * | 2019-01-28 | 2020-08-04 | 四川大学华西第二医院 | 胎儿颈项透明层厚度测量方法 |
| CN111481233B (zh) * | 2019-01-28 | 2022-05-13 | 四川大学华西第二医院 | 胎儿颈项透明层厚度测量方法 |
| CN110163907A (zh) * | 2019-05-28 | 2019-08-23 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
| CN110163907B (zh) * | 2019-05-28 | 2021-06-29 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
| CN110432892A (zh) * | 2019-08-05 | 2019-11-12 | 苏州米特希赛尔人工智能有限公司 | 机器学习心电图自动诊断系统 |
| CN112434556A (zh) * | 2020-10-20 | 2021-03-02 | 深圳市悦保科技有限公司 | 宠物鼻纹识别方法、装置、计算机设备及存储介质 |
| CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
| CN114155215B (zh) * | 2021-11-24 | 2023-11-10 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108888294B (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108888294A (zh) | 一种检测颈部透明带宽度的方法及装置 | |
| CN106846344B (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
| Yuan et al. | Remote sensing image segmentation by combining spectral and texture features | |
| CN110909611B (zh) | 一种关注区域检测方法、装置、可读存储介质及终端设备 | |
| US11715203B2 (en) | Image processing method and apparatus, server, and storage medium | |
| CN104424629B (zh) | 一种x光胸片肺部分割方法和装置 | |
| CN108648192A (zh) | 一种检测结节的方法及装置 | |
| CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN103186904A (zh) | 图片轮廓提取方法及装置 | |
| CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
| CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
| CN104952070B (zh) | 一种类矩形引导的玉米田遥感图像分割方法 | |
| CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN103263278A (zh) | 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法 | |
| Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
| CN106997591A (zh) | 一种rgb‑d图像变尺度超体素分割方法 | |
| CN105956544A (zh) | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 | |
| CN108510477A (zh) | 试纸色块的定位方法及装置 | |
| CN103514599B (zh) | 一种基于邻域总变分的影像最佳分割尺度选择方法 | |
| CN115456990A (zh) | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 | |
| CN107481243A (zh) | 基于羊只俯视图的羊只体尺检测方法 | |
| CN106530272A (zh) | 基于凹点匹配的重叠蛋白质点分离方法及装置 | |
| Talbot et al. | Elliptical distance transforms and the object splitting problem | |
| CN116129150A (zh) | 集成全局跟踪器和局部跟踪器的无人机目标跟踪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190620 Address after: 310000 Room 177, Building No. 16, Zhuantang Science and Technology Economic Zone, Xihu District, Hangzhou City, Zhejiang Province Applicant after: According to the Hangzhou Medical Technology Co., Ltd. Address before: 310000 Room 177, Building No. 16, Zhuantang Science and Technology Economic Zone, Xihu District, Hangzhou City, Zhejiang Province Applicant before: According to the Hangzhou Medical Technology Co., Ltd. Applicant before: Hangzhou Yi chart Network Technology Co., Ltd. Applicant before: Guangzhou Yi chart Medical Technology Co., Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |