CN109671073A - 胎儿股骨测量方法、装置、计算机设备及可读存储介质 - Google Patents

胎儿股骨测量方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN109671073A
CN109671073A CN201811557118.9A CN201811557118A CN109671073A CN 109671073 A CN109671073 A CN 109671073A CN 201811557118 A CN201811557118 A CN 201811557118A CN 109671073 A CN109671073 A CN 109671073A
Authority
CN
China
Prior art keywords
femur
fetal
endpoint
thermal map
image
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.)
Pending
Application number
CN201811557118.9A
Other languages
English (en)
Inventor
倪东
李然
汪天富
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201811557118.9A priority Critical patent/CN109671073A/zh
Publication of CN109671073A publication Critical patent/CN109671073A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明适用于计算机领域，提供了一种胎儿股骨测量方法、装置、计算机设备以及可读存储介质，其中所述方法包括：接收胎儿股骨图像；根据所述胎儿股骨图像以及预设的基于卷积神经网络建立的股骨图像‑股骨端点概率热图模型确定股骨端点概率热图；根据所述股骨端点概率热图确定胎儿股骨图像中的股骨端点；根据所述股骨端点计算胎儿股骨长度。本发明实施提供的胎儿股骨测量方法通过建立基于卷积神经网络建立的股骨图像‑股骨端点概率热图模型，使得在直接输入胎儿股骨图像后，直接获取胎儿股骨端点概率热图，从而进一步确定胎儿图像中股骨端点的位置，有效地提高了现有技术中测量胎儿股骨长度的效率以及准确率。

Description

胎儿股骨测量方法、装置、计算机设备及可读存储介质
技术领域
本发明涉及计算机领域，特别是涉及一种胎儿股骨测量方法、装置、计算机设备及可读存储介质。
背景技术
胎儿产前超声检查作为产前检查的首要影像学方式，以其无创性，实时性以及低成本在临床产前诊断中具有重要意义，而其中胎儿生物学参数测量(双顶径、头围、腹围、股骨长)是评估胎儿生长发育状况的重要内容。
胎儿股骨长测量作为胎儿生长参数测量的重要一项内容，目前测量手段主要是通过医生手动测量。然而，由于超声图像成像质量较差，产前检查超声医生扫查手法各异，测量结果的精确度高度依赖于临床医生的经验，而且测量耗时较长，工作效率较低。
可见，现有技术中，测量胎儿股骨的方法还存在着测量准确率低、效率低的技术问题。
发明内容
本发明实施例提供一种胎儿股骨测量方法，旨在解决现有技术中测量胎儿股骨的方法存在的测量准确率低、效率低的技术问题。
本发明实施例提供一种胎儿股骨测量方法，所述方法包括以下步骤：
接收胎儿股骨图像；
根据所述胎儿股骨图像以及预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型确定股骨端点概率热图，所述股骨端点概率热图用于表示所述股骨图像中股骨端点在各位置的概率值，所述基于卷积神经网络建立的股骨图像-股骨端点概率热图模型通过预先采集的多个胎儿股骨图像样本经过卷积神经网络训练生成；
根据所述股骨端点概率热图确定胎儿股骨图像中的股骨端点；
根据所述股骨端点计算胎儿股骨长度。
本发明实施例还提供一种胎儿股骨测量装置，所述装置包括：
胎儿股骨图像接收单元，用于接收胎儿股骨图像；
股骨端点概率热图确定单元，用于根据所述胎儿股骨图像以及预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型确定股骨端点概率热图，所述股骨端点概率热图用于表示股骨端点在各位置的概率值，所述基于卷积神经网络建立的股骨图像-股骨端点概率热图模型通过预先采集的多个胎儿股骨图像样本经过卷积神经网络训练生成；
股骨端点确定单元，用于根据所述股骨端点概率热图确定胎儿股骨图像中的股骨端点；以及
股骨长度计算单元，用于根据所述股骨端点计算胎儿股骨长度。
本发明实施例还提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述所述胎儿股骨测量方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述所述胎儿股骨测量方法的步骤。
本发明实施例提供的胎儿股骨测量的方法，由于预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型是通过多个股骨图像-股骨端点概率热图样本训练得到，可以用于表述股骨图像与股骨端点概率热图的一种隐含关系，因此在接收胎儿股骨图像后，利用所述预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型即可获取与所述胎儿股骨图像相对应的股骨端点概率热图，再根据股骨端点概率热图确定所述胎儿股骨图像中股骨端点，最后计算胎儿股骨长度。本发明实施例提供的胎儿股骨测量方法，利用了根据深度神经网络以及大量样本数据建立的股骨图像-股骨端点概率热图模型，使得可以直接通过胎儿股骨图像确定与之对应的股骨端点概率热图，有效地提高了确定胎儿股骨端点的准确率以及效率，即提高了胎儿股骨测量的准确率以及效率。
附图说明
图1为本发明实施例提供的一种胎儿股骨测量方法的步骤流程图；
图2为本发明实施例中生成预设的股骨图像-股骨端点概率热图模型的步骤流程图；
图3为本发明实施例提供的一种确定响应概率热图的步骤流程图；
图4为本发明实施例中两种池化方式的流程图；
图5a～图5b为本发明实施例中对胎儿股骨图像样本处理的示意图；
图6为本发明实施例中一种根据股骨端点概率热图确定股骨端点的步骤流程图；
图7为本发明实施例提供的一种胎儿股骨测量方法的效果流程图；
图8为本发明实施例提供的一种胎儿股骨测量装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，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。
本发明实施例为解决现有技术中存在的胎儿股骨测量效率不高、准确率低的技术问题，通过利用大量样本数据以及卷积神经网络模型建立股骨图像-股骨端点概率热图模型，使得可以直接根据输入的胎儿股骨图像以及训练得到的股骨图像-股骨端点概率热图模型确定胎儿股骨端点概率热图，并进一步可以确定胎儿股骨端点，从而计算胎儿股骨长度，在提高了测量效率的同时，有效地保证了测量的准确率。
图1为本发明实施例提供的一种胎儿股骨测量方法的步骤流程图，详述如下。
步骤S101，接收胎儿股骨图像。
步骤S102，根据所述胎儿股骨图像以及预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型确定股骨端点概率热图。
在本发明实施例中，所述热图是描述一些复杂数据如密度、频率、温度、概率等数据的直观表现形式，它以伪彩图像的形式表现对应参数值的大小，值越大代表密度、频率、温度、概率等越高，具体的，在本申请文件中，所述股骨端点概率热图是以股骨端点在每一点的概率值作为图像的像素值，然后映射到(0,255)，转换为图像形式，然后将其转为伪彩色图像，便可以得到股骨端点概率热图，即所述股骨端点概率热图用于表示所述股骨图像中股骨端点在各位置的概率值。
在本发明实施例中，所述基于卷积神经网络建立的股骨图像-股骨端点概率热图模型确定股骨端点概率热图模型通过预先采集的多个胎儿股骨图像样本经过卷积神经网络训练生成。
在本发明实施例中，所述通过预先采集的多个胎儿股骨图像样本经过卷积神经网络训练建立股骨图像-股骨端点概率热图模型的步骤请参阅图2。
作为本发明的一个优选实施例，为解决医学领域样本数量少的技术问题，本发明还支持将原始图像样本进行随机水平镜像、灰度拉伸等方法进行修改，从而扩大图像样本的数量，同时也提高了图像样本的泛化，防止了过度拟合，进一步使得建立的股骨图像-股骨端点概率热图模型鲁棒性更强。
步骤S103，根据所述股骨端点概率热图确定胎儿股骨图像中的股骨端点。
在本发明实施例中，由于股骨端点概率热图用于表征胎儿股骨图像中的股骨端点在各位置的概率值，因此，可以直接通过将概率最大值对应的位置确定为股骨端点，也可以将各位置的概率值作为权重进行加权平均值计算，从而确定胎儿股骨图像中的股骨端点。
作为本发明一个优选实施例，当所述股骨端点概率热图中存在多个概率值相对较大的点，且所述多个点对应的概率值之间的差异较小时，直接将概率最大值对应的位置确定为股骨端点可能会存在较大的误差，此时使用加权平均值确定胎儿股骨图像中的股骨端点可以有效地降低误差，进一步的，所述利用加权平均值确定胎儿股骨图像中的股骨端点的步骤请参阅图6。
步骤S104，根据所述股骨端点计算胎儿股骨长度。
在本发明实施例中，股骨两端点确定后，记p1(x1,y1),p2(x2,y2)为两股骨端点在图像中的位置坐标，然后根据欧氏距离计算公式，计算出该两点在图像中的长度，最后再根据图像的点分辨率，两点的距离相乘，则可以得到股骨两端的实际物理长度。
本发明实施例提供的胎儿股骨测量的方法，由于预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型是通过多个股骨图像-股骨端点概率热图样本训练得到，可以用于表述股骨图像与股骨端点概率热图的一种隐含关系，因此在接收胎儿股骨图像后，利用所述预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型即可获取与所述胎儿股骨图像相对应的股骨端点概率热图，再根据股骨端点概率热图确定所述胎儿股骨图像中股骨端点，最后计算胎儿股骨长度。本发明实施例提供的胎儿股骨测量方法，利用了根据深度神经网络以及大量样本数据建立的股骨图像-股骨端点概率热图模型，使得可以直接通过胎儿股骨图像确定与之对应的股骨端点概率热图，有效地提高了确定胎儿股骨端点的准确率以及效率，即提高了胎儿股骨测量的准确率以及效率。
图2为本发明实施例中生成预设的股骨图像-股骨端点概率热图模型的步骤流程图，详述如下。
步骤S201，获取多个胎儿股骨图像样本。
在本发明实施例中，所述胎儿股骨图像样本可以是通过医院检测中心采集获得，而在采集的图像样本数量偏少时，也可以将采集的图像样本进行随机水平镜像、灰度拉伸，从而提高样本数量。
步骤S202，获取所述多个胎儿股骨图像样本的目标概率热图。
在本发明实施例中，所述目标概率热图是以确定出的胎儿股骨图像样本中股骨端点最可能的位置作为概率值为1的点，其他点按照距离该中心点的距离远近，概率呈高斯分布的形式存在，即所述目标概率热图是以高度规则的亮点形式存在。
步骤S203，根据所述第一胎儿股骨图像样本以及含有可变参数的卷积神经网络模型确定所述第一胎儿股骨图像样本的第一响应概率热图。
在本发明实施例中，所述卷积神经网络模型的结构包括一个输入层、多个卷积层、多个池化层、至少一个全连接层以及一个输出层，其中所述多个卷积层、多个全连接层中存在可变参数。
在本发明实施例中，当所述多个卷积层、多个全连接层中的可变参数改变时，则对于同样的图像样本输入，输出的响应概率热图不同。
在本发明实施例中，根据图像样本以及卷积网络模型确定响应概率热图的的步骤流程请参阅图3。
步骤S204，计算所述第一响应概率热图以及与所述第一胎儿股骨图像样本对应的第一目标概率热图之间的第一损失差异。
在本发明实施例中，所述响应概率热图以及目标概率热图实质上可以看做一张概率分布表格，依次计算在响应概率热图下以及目标概率热图下各位置的概率值的差异，所述差异的计算公式为：J＝y1logy2+(1-y2)log(1-y1)，其中y1表示目标概率热图下各位置的概率值,y2表示响应概率热图下各位置的概率值。
步骤S205，判断多个胎儿股骨图像样本的损失差异是否满足预设的条件。
在本发明实施例中，通过判断所述多个胎儿股骨图像样本的损失差异是否满足预设的条件，可以判断出所述建立的股骨图像-股骨端点概率热图模型是否符合要求，例如所述多个胎儿股骨图像样本的损失差异小于一定的阈值时，此时表明根据训练出的的股骨图像-股骨端点概率热图模型，将股骨图像输入，即可得到较为较为准确的股骨端点概率热图。
在本发明实施例中，当判断所述多个胎儿股骨图像样本的损失差异不满足预设的条件时，表明训练出的股骨图像-股骨端点概率热图模型误差较大，执行步骤S206；当判断所述多个胎儿股骨图像样本的损失差异满足预设的条件时，表明训练出的股骨图像-股骨端点概率热图模型较为稳定，执行步骤S207。
步骤S206，调整所述卷积神经网络模型中的可变参数。
在本发明实施例中，可以根据反向传播算法或者梯度下降算法，调整所述卷积神经网络模型中的可变参数，但调整所述可变参数后，返回至步骤S203，重新计算损失差异。
步骤S207，将当前所述含有可变参数的卷积神经网络模型确定为预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型。
在本发明实施例中，为获取股骨图像-股骨端点概率热图模型，即获取股骨图像与股骨端点概率热图之间的隐含关系，需要将多个股骨图像-股骨端点概率热图当做样本，此时输入的股骨端点概率热图即为我们需求的目标概率热图，并计算在当前形式的股骨图像-股骨端点概率热图模型下，与输入的股骨图像对应的响应概率热图与目标概率热图之间的差异，不断反馈调整股骨图像-股骨端点概率热图模型中的可变参数，直到在某个股骨图像-股骨端点概率热图模型下，与输入的股骨图像对应的响应概率热图与目标概率热图之间的差异满足预设的条件，此时，所述股骨图像-股骨端点概率热图模型即为所需的预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型。
图3为本发明实施例提供的一种确定响应概率热图的步骤流程图，详述如下。
在本发明实施例中，所述建立的卷积神经网络模型结构中，卷积层、池化层的数量为3，全连接层的数量为1。
在本发明实施例中，所述卷积神经网络模型结构中，各卷积层的计算公式的形式相同，不同之处仅在于各卷积层的可变参数不同，同样的，全连接层的计算公式的形式也相同，仅仅只有可变参数不同。
本发明实施例提供的卷积神经网络模型结构仅仅作为一种参考，事实上，用户可根据自己的需求自行选择卷积神经网络模型中各层的数量。
步骤S301，根据第一胎儿股骨图像样本中各个像素点的灰度值生成第一胎儿股骨图像样本矩阵。
在本发明实施例中，所述第一胎儿股骨图像样本矩阵的数值范围为0～255，对应第一胎儿股骨图像中相应像素点的灰度值。
作为本发明的一个优选实施例，由于胎儿股骨图像样本可能包含较多的无效像素点，因此，为有效的提高模型的训练效率，降低计算复杂度，可以优先对第一胎儿股骨图像样本进行处理，将所述包含的无效像素点裁剪，获取胎儿股骨有效图像样本，进一步的，处理过程请参阅图5。
步骤S302，根据含有可变参数的第一卷积核处理所述第一胎儿股骨图像样本矩阵，生成第一特征矩阵。
在本发明实施例中，所述卷积核为正矩阵形式。
在本发明实施例中，步骤S302即为第一卷积层，利用第一卷积核处理所述第一胎儿股骨图像样本矩阵即可获取各区域的特征值。
在本发明实施例中，所述卷积的计算公式如下：
a1＝σ(T*W1+b1)
其中ɑ1即为第一特征矩阵，T为第一胎儿股骨图像样本矩阵，*为卷积运算符号，W1为第一卷积核，b1为第一偏移矩阵，所述W1、b1为可变参数，所述σ表示激活函数，一个常用的σ函数为ReLU函数。
步骤S303，池化处理所述第一特征矩阵，以使第一特征矩阵维数降低。
在本发明实施例中，步骤S303即为第一池化层，利用池化层处理所述第一特征矩阵可以降低矩阵的维度，常见的，池化大小一般采用2×2的区域，则池化后的特征矩阵维度各下降一般。
在本发明实施例中，所述池化处理包括最大池化以及平均池化，最大池化是将2×2区域内的最大值计入到池化结果中，平均池化是将2×区域内的数值的平均值计入到池化结果中，为了使两种池化方式的过程更加清楚，请参阅图4。
步骤S304，根据含有可变参数的第二卷积核处理所述降维第一特征矩阵，生成胎儿股骨端点第二特征矩阵。
在本发明实施例中，所述步骤S304即为第二卷积层，利用第二卷积核处理所述降维第一特征矩阵即可进一步得到第二特征矩阵。
在本发明实施例中，所述卷积的计算公式如下：
a2＝σ(a1*W2+b2)
同样的，W2为第二卷积核，b2为第二偏移矩阵，W2、b2为可变参数。
步骤S305，池化处理所述第二特征矩阵，以使第二特征矩阵维数进一步降低。
在本发明实施例中，具体的池化处理请参阅步骤S303的解释说明。
步骤S306，根据含有可变参数的第三卷积核处理所述降维第二特征矩阵，生成胎儿股骨端点第三特征矩阵。
在本发明实施例中，所述步骤S306即为第三卷积层，利用第三卷积核处理所述降维第二特征矩阵即可进一步得到第三特征矩阵。
在本发明实施例中，所述卷积的计算公式如下：
a3＝σ(a2*W3+b3)
同样的，W3为第三卷积核，b3为第三偏移矩阵，W3、b3为可变参数。
步骤S307，池化处理所述第三特征矩阵，以使第三特征矩阵维数进一步降低。
在本发明实施例中，具体的池化处理请参阅步骤S303的解释说明。
步骤S308，根据含有可变参数的第一全连接层模型处理所述第三特征矩阵，生成第一响应概率矩阵。
在本发明实施例中，所述全连接层用到的激活函数为Sigmoid函数，由于 Sigmoid函数的取值范围为(0,1)，因此可以用于表示概率。
步骤S309，根据所述第一响应矩阵确定第一响应概率热图。
作为本发明一个优选实施例，所述第一卷积层、第二卷积层以及第三卷积层分别采用3×3、5×5、7×7的卷积核，使不同输出级的卷积层感受野逐步扩大，从而获取更多的全集信息。
图4为本发明实施例中两种池化方式的流程图，详述如下。
在本发明实施例中，以将4×4的矩阵池化为2×2的矩阵为例，图4a示出了最大池化方式的具体过程，图4b示出了平均池化方式的具体过程。
图5a～图5b为本发明实施例中对胎儿股骨图像样本处理的示意图，详述如下。
在本发明实施例中，图5a为胎儿股骨图像样本，而在所述图像样本周围存在较多的无效像素点，因此，可以通过裁剪处理去掉所述无效像素点，获取胎儿股骨有效图像样本图5b，从而可以有效地提高训练的速度。
图6为本发明实施例中一种根据股骨端点概率热图确定股骨端点的步骤流程图，详述如下。
步骤S601，根据所述股骨端点概率热图确定所述股骨端点在各位置的概率值。
步骤S602，以所述股骨端点在各位置的概率值作为权重，对各位置的坐标做加权平均。
步骤S603，根据所述加权平均的结果确定胎儿股骨端点。
在本发明实施例中，以x代表胎儿股骨端点的横坐标，以y代表胎儿股骨端点的纵坐标，xij表示每个点对应横坐标，yij表示每个点的纵坐标，hij表示股骨端点在该位置的概率值，H、W分别为图像样本的长与宽，则计算公式具体如下：
本发明实施例提供的一种根据股骨端点概率热图确定股骨端点的方法，通过将该位置对应的概率值作为权重，使得最终确定的胎儿股骨端点的误差更低。
图7为本发明实施例提供的一种胎儿股骨测量方法的效果流程图。
在本发明实施例中，所述图7(a)为输入的三张胎儿股骨图像，图7(b) 为输出的三张股骨端点概率热图，图7(c)为确定的胎儿股骨图像中的股骨端点。
图8为本发明实施例提供的一种胎儿股骨测量装置的结构示意图，为了便于说明，仅示出与本发明实施例相关的部分。
在本发明实施例中，所述胎儿股骨测量装置包括胎儿股骨图像接收单元 801、股骨端点概率热图确定单元802、股骨端点确定单元803以及股骨长度计算单元804。
所述胎儿股骨图像接收单元801，用于接收胎儿股骨图像。
所述股骨端点概率热图确定单元802，用于根据所述胎儿股骨图像以及预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型确定股骨端点概率热图。
在本发明实施例中，所述热图是描述一些复杂数据如密度、频率、温度、概率等数据的直观表现形式，它以伪彩图像的形式表现对应参数值的大小，值越大代表密度、频率、温度、概率等越高，具体的，在本申请文件中，所述股骨端点概率热图是以股骨端点在每一点的概率值作为图像的像素值，然后映射到(0,255)，转换为图像形式，然后将其转为伪彩色图像，便可以得到股骨端点概率热图，即所述股骨端点概率热图用于表示所述股骨图像中股骨端点在各位置的概率值。
在本发明实施例中，所述基于卷积神经网络建立的股骨图像-股骨端点概率热图模型确定股骨端点概率热图模型通过预先采集的多个胎儿股骨图像样本经过卷积神经网络训练生成。
作为本发明的一个优选实施例，为解决医学领域样本数量少的技术问题，本发明还支持将原始图像样本进行随机水平镜像、灰度拉伸等方法进行修改，从而扩大图像样本的数量，同时也提高了图像样本的泛化，防止了过度拟合，进一步使得建立的股骨图像-股骨端点概率热图模型鲁棒性更强。
所述股骨端点确定单元803，用于根据所述股骨端点概率热图确定胎儿股骨图像中的股骨端点。
在本发明实施例中，由于股骨端点概率热图用于表征胎儿股骨图像中的股骨端点在各位置的概率值，因此，可以直接通过将概率最大值对应的位置确定为股骨端点，也可以将各位置的概率值作为权重进行加权平均值计算，从而确定胎儿股骨图像中的股骨端点。
作为本发明一个优选实施例，当所述股骨端点概率热图中存在多个概率值相对较大的点，且所述多个点对应的概率值之间的差异较小时，直接将概率最大值对应的位置确定为股骨端点可能会存在较大的误差，此时使用加权平均值确定胎儿股骨图像中的股骨端点可以有效地降低误差。
所述股骨长度计算单元804，用于根据所述股骨端点计算胎儿股骨长度。
在本发明实施例中，股骨两端点确定后，记p1(x1,y1),p2(x2,y2)为两股骨端点在图像中的位置坐标，然后根据欧氏距离计算公式，计算出该两点在图像中的长度，最后再根据图像的点分辨率，两点的距离相乘，则可以得到股骨两端的实际物理长度。
本发明实施例提供的胎儿股骨测量的方法，由于预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型是通过多个股骨图像-股骨端点概率热图样本训练得到，可以用于表述股骨图像与股骨端点概率热图的一种隐含关系，因此在接收胎儿股骨图像后，利用所述预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型即可获取与所述胎儿股骨图像相对应的股骨端点概率热图，再根据股骨端点概率热图确定所述胎儿股骨图像中股骨端点，最后计算胎儿股骨长度。本发明实施例提供的胎儿股骨测量方法，利用了根据深度神经网络以及大量样本数据建立的股骨图像-股骨端点概率热图模型，使得可以直接通过胎儿股骨图像确定与之对应的股骨端点概率热图，有效地提高了确定胎儿股骨端点的准确率以及效率，即提高了胎儿股骨测量的准确率以及效率。
本发明实施例提供一种计算机装置，该计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现上述图1至图6所示出的实施例所提供的胎儿股骨测量方法的步骤。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。例如，计算机程序可以被分割成上述各个方法实施例提供的胎儿股骨测量方法的步骤。
本领域技术人员可以理解，上述计算机装置的描述仅仅是示例，并不构成对计算机装置的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD) 卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信号以及软件分发介质等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种胎儿股骨测量方法，其特征在于，所述方法包括以下步骤：
接收胎儿股骨图像；
根据所述胎儿股骨图像以及预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型确定股骨端点概率热图，所述股骨端点概率热图用于表示所述股骨图像中股骨端点在各位置的概率值，所述基于卷积神经网络建立的股骨图像-股骨端点概率热图模型通过预先采集的多个胎儿股骨图像样本经过卷积神经网络训练生成；
根据所述股骨端点概率热图确定胎儿股骨图像中的股骨端点；
根据所述股骨端点计算胎儿股骨长度。
2.根据权利要求1所述的方法，其特征在于，所述生成预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型的步骤，具体包括：
获取多个胎儿股骨图像样本；
获取所述多个胎儿股骨图像样本的目标概率热图；
根据所述第一胎儿股骨图像样本以及含有可变参数的卷积神经网络模型确定所述第一胎儿股骨图像样本的第一响应概率热图；
计算所述第一响应概率热图以及与所述第一胎儿股骨图像样本对应的第一目标概率热图之间的第一损失差异；
判断多个胎儿股骨图像样本的损失差异是否满足预设的条件；
当判断所述多个胎儿股骨图像样本的损失差异不满足预设的条件时，调整所述卷积神经网络模型中的可变参数，并返回至所述根据所述第一胎儿股骨图像样本以及含有可变参数的卷积神经网络模型确定所述第一胎儿股骨图像样本的第一响应概率热图的步骤；
当判断所述多个胎儿股骨图像样本的损失差异满足预设的条件时，将当前所述含有可变参数的卷积神经网络模型确定为预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一胎儿股骨图像样本以及含有可变参数的卷积神经网络模型确定所述第一胎儿股骨图像的第一响应概率热图的步骤，具体包括：
根据第一胎儿股骨图像样本中各个像素点的灰度值生成第一胎儿股骨图像样本矩阵，所述第一胎儿股骨图像样本矩阵的数值范围为0～255，对应第一胎儿股骨图像中相应像素点的灰度值；
根据含有可变参数的第一卷积核处理所述第一胎儿股骨图像样本矩阵，生成第一特征矩阵，所述卷积核为正矩阵形式；
池化处理所述第一特征矩阵，以使第一特征矩阵维数降低；
根据含有可变参数的第二卷积核处理所述降维第一特征矩阵，生成胎儿股骨端点第二特征矩阵；
池化处理所述第二特征矩阵，以使第二特征矩阵维数进一步降低；
根据含有可变参数的第三卷积核处理所述降维第二特征矩阵，生成胎儿股骨端点第三特征矩阵；
池化处理所述第三特征矩阵，以使第三特征矩阵维数进一步降低；
根据含有可变参数的第一全连接层模型处理所述第三特征矩阵，生成第一响应概率矩阵；
根据所述第一响应矩阵确定第一相应概率热图。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述第一胎儿股骨图像样本中各个像素点的灰度值生成第一胎儿股骨图像样本矩阵的步骤前，还包括：
将所述第一胎儿股骨图像样本进行处理，获取第一胎儿股骨有效图像样本；
所述根据第一胎儿股骨图像样本中各个像素点的灰度值生成第一胎儿股骨图像样本矩阵的步骤，具体包括：
根据第一胎儿股骨有效图像样本中各个像素点的灰度值生成第一胎儿股骨图像样本矩阵。
5.根据权利要求1所述的方法，其特征在于，所述根据所述股骨端点概率热图确定胎儿股骨图像中的股骨端点的步骤，具体包括：
根据所述股骨端点概率热图确定所述股骨端点在各位置的概率值；
以所述股骨端点在各位置的概率值作为权重，对各位置的坐标做加权平均；
根据所述加权平均的结果确定胎儿股骨端点。
6.一种胎儿股骨测量装置，其特征在于，所述装置包括：
胎儿股骨图像接收单元，用于接收胎儿股骨图像；
股骨端点概率热图确定单元，用于根据所述胎儿股骨图像以及预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型确定股骨端点概率热图，所述股骨端点概率热图用于表示股骨端点在各位置的概率值，所述基于卷积神经网络建立的股骨图像-股骨端点概率热图模型通过预先采集的多个胎儿股骨图像样本经过卷积神经网络训练生成；
股骨端点确定单元，用于根据所述股骨端点概率热图确定胎儿股骨图像中的股骨端点；以及
股骨长度计算单元，用于根据所述股骨端点计算胎儿股骨长度。
7.根据权利要求5所述的装置，其特征在于，所述胎儿股骨测量装置还包括模型训练单元，
所述模型训练单元，用于生成预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型由股骨图像-股骨端点概率热图模型。
8.根据权利要求6所述的装置，其特征在于，所述模型训练单元包括：
胎儿股骨图像样本采集模块，用于采集第一胎儿股骨图像样本；
目标概率热图获取模块，用于获取所述第一胎儿股骨图像样本的第一目标概率热图；
响应概率热图确定模块，用于根据所述第一胎儿股骨图像样本以及含有可变参数的卷积神经网络模型确定所述第一胎儿股骨图像样本的第一响应概率热图；
损失差异计算模块，用于计算所述第一响应概率热图与所述第一目标概率热图之间的第一损失差异；
损失差异判断模块，用于判断所述第一损失差异是否满足预设的条件；
模型调整模块，用于当判断所述第一损失差异不满足预设的条件时，利用梯度下降法调整所述卷积神经网络模型中的可变参数，并返回至所述采集第一胎儿股骨图像样本的步骤；以及
模型确定模块，用于当判断所述第一损失差异满足预设的条件时，将当前所述含有可变参数的卷积神经网络模型确定为预设的基于卷积神经网络建立的股骨图像-股骨端点概率热图模型。
9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述胎儿股骨测量的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述胎儿股骨测量方法的步骤。
CN201811557118.9A 2018-12-19 2018-12-19 胎儿股骨测量方法、装置、计算机设备及可读存储介质 Pending CN109671073A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811557118.9A CN109671073A (zh) 2018-12-19 2018-12-19 胎儿股骨测量方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811557118.9A CN109671073A (zh) 2018-12-19 2018-12-19 胎儿股骨测量方法、装置、计算机设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN109671073A true CN109671073A (zh) 2019-04-23

Family

ID=66145049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811557118.9A Pending CN109671073A (zh) 2018-12-19 2018-12-19 胎儿股骨测量方法、装置、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN109671073A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634133A (zh) * 2019-09-04 2019-12-31 杭州健培科技有限公司 一种基于x线平片的膝关节骨科测量方法及装置
CN110738702A (zh) * 2019-05-22 2020-01-31 深圳度影医疗科技有限公司 一种三维超声图像的处理方法、装置、设备及存储介质
CN114723763A (zh) * 2022-05-24 2022-07-08 博志生物科技(深圳)有限公司 一种医学图像分割方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9830529B2 (en) * 2016-04-26 2017-11-28 Xerox Corporation End-to-end saliency mapping via probability distribution prediction
CN108038469A (zh) * 2017-12-27 2018-05-15 百度在线网络技术（北京）有限公司 用于检测人体的方法和装置
CN108227912A (zh) * 2017-11-30 2018-06-29 北京市商汤科技开发有限公司 设备控制方法和装置、电子设备、计算机存储介质
CN108888294A (zh) * 2018-03-30 2018-11-27 杭州依图医疗技术有限公司 一种检测颈部透明带宽度的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9830529B2 (en) * 2016-04-26 2017-11-28 Xerox Corporation End-to-end saliency mapping via probability distribution prediction
CN108227912A (zh) * 2017-11-30 2018-06-29 北京市商汤科技开发有限公司 设备控制方法和装置、电子设备、计算机存储介质
CN108038469A (zh) * 2017-12-27 2018-05-15 百度在线网络技术（北京）有限公司 用于检测人体的方法和装置
CN108888294A (zh) * 2018-03-30 2018-11-27 杭州依图医疗技术有限公司 一种检测颈部透明带宽度的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗娜: "超声图像中胎儿股骨的自动测量", 《深圳大学学报理工版》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738702A (zh) * 2019-05-22 2020-01-31 深圳度影医疗科技有限公司 一种三维超声图像的处理方法、装置、设备及存储介质
CN110738702B (zh) * 2019-05-22 2022-04-19 深圳度影医疗科技有限公司 一种三维超声图像的处理方法、装置、设备及存储介质
CN110634133A (zh) * 2019-09-04 2019-12-31 杭州健培科技有限公司 一种基于x线平片的膝关节骨科测量方法及装置
CN114723763A (zh) * 2022-05-24 2022-07-08 博志生物科技(深圳)有限公司 一种医学图像分割方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107115111B (zh) 血流状态分析系统及方法
CN109671073A (zh) 胎儿股骨测量方法、装置、计算机设备及可读存储介质
Aranguren et al. Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm
CN111768379B (zh) 一种子宫三维超声图像的标准切面检测方法
CN108846829A (zh) 病变部位识别方法及装置、计算机装置及可读存储介质
CN112614133B (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
CN111814804B (zh) 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置
CN109635939A (zh) 一种基于裁剪的卷积神经网络的确定方法及装置
CN109816666A (zh) 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质
CN106663210A (zh) 基于感受的多媒体处理
CN110569593A (zh) 着装人体三维尺寸测量方法、系统、存储介质及电子设备
CN108492301A (zh) 一种场景分割方法、终端及存储介质
CN113239951A (zh) 超声乳腺病灶的分类方法、装置及存储介质
CN116468857A (zh) 一种基于大脑建模的电磁仿真及优化平台构建方法及系统
CN107209794A (zh) 解剖结构的有限元建模
CN108765399A (zh) 病变部位识别方法及装置、计算机装置及可读存储介质
CN116228753B (zh) 肿瘤预后评估方法、装置、计算机设备和存储介质
CN112101438A (zh) 一种左右眼分类方法、装置、服务器和存储介质
CN115881304B (zh) 基于智能检测的风险评估方法、装置、设备及介质
EP3270308B1 (en) Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product
CN109009009A (zh) 血管评估方法、装置及智能终端
CN115272594A (zh) 一种基于geotools的等值面生成方法
CN113327221B (zh) 融合roi区域的图像合成方法、装置、电子设备及介质
CN109754869A (zh) 着色的超声图像对应的着色描述符的呈现方法和系统
CN111368120B (zh) 目标指纹库构建方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190423