CN114972241A - 基于残差神经网络胎儿超声切面量化质控考核方法及装置 - Google Patents
基于残差神经网络胎儿超声切面量化质控考核方法及装置 Download PDFInfo
- Publication number
- CN114972241A CN114972241A CN202210562533.3A CN202210562533A CN114972241A CN 114972241 A CN114972241 A CN 114972241A CN 202210562533 A CN202210562533 A CN 202210562533A CN 114972241 A CN114972241 A CN 114972241A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image data
- section
- training
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 210000003754 fetus Anatomy 0.000 title claims abstract description 62
- 238000003908 quality control method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 139
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 230000006870 function Effects 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000002604 ultrasonography Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000001605 fetal effect Effects 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 44
- 238000013441 quality evaluation Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 210000003903 pelvic floor Anatomy 0.000 description 12
- 210000001015 abdomen Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 210000002216 heart Anatomy 0.000 description 6
- 210000002758 humerus Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000003414 extremity Anatomy 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 2
- 210000001638 cerebellum Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 210000003140 lateral ventricle Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 210000001147 pulmonary artery Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001103 thalamus Anatomy 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于残差神经网络胎儿超声切面量化质控考核方法及装置，其中该方法包括：确定包括有目标胎儿结构的医疗影像数据；将所述医疗影像数据输入至训练好的切面识别残差神经网络模型，以识别得到所述医疗影像数据中的至少一个结构切面；所述切面识别残差神经网络模型为通过包括有多个标注有结构切面的训练医疗影像的训练数据集训练得到；根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息。可见，本发明可以根据医疗影像中的切面信息对医疗影像的质量进行精确地评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
Description
技术领域
本发明涉及医疗影像处理技术领域，尤其涉及一种基于残差神经网络胎儿超声切面量化质控考核方法及装置。
背景技术
随着医疗影像技术的发展，现有的医疗领域开始越来越多地将医疗影像引入到诊断治疗过程中，但随着对诊断治疗的效率要求越来越高，对医疗影像的质量要求也随之提高。现有技术中，在以切面相关的医疗影像为数据基础进行相关的数据处理时，没有考虑到根据切面的影像质量对医疗影像进行评分以进行质量把控，存在缺陷，亟待解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于残差神经网络胎儿超声切面量化质控考核方法及装置，可以根据医疗影像中的切面信息对医疗影像的质量进行精确地评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
为了解决上述技术问题，本发明第一方面公开了一种基于残差神经网络胎儿超声切面量化质控考核方法，所述方法包括：
确定包括有目标胎儿结构的医疗影像数据；
将所述医疗影像数据输入至训练好的切面识别残差神经网络模型，以识别得到所述医疗影像数据中的至少一个结构切面；所述切面识别残差神经网络模型为通过包括有多个标注有结构切面的训练医疗影像的训练数据集训练得到；
根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息。
作为一种可选的实施方式，在本发明第一方面中，所述确定包括有目标胎儿结构的医疗影像数据，包括：
获取原始医疗影像数据；
确定出所述原始医疗影像数据中的敏感信息；
对所述原始医疗影像数据中的敏感信息进行去除，以得到包括有目标胎儿结构的医疗影像数据。
作为一种可选的实施方式，在本发明第一方面中，所述确定出所述原始医疗影像数据中的敏感信息，包括：
确定所述原始医疗影像数据的拍摄目的；
根据所述拍摄目的，确定出所述原始医疗影像数据中与所述拍摄目的无关的无关数据；
将所述无关数据确定为所述原始医疗影像数据中的敏感信息；
和/或，
确定出所述原始医疗影像数据中的隐私数据；所述隐私数据包括隐私疾病信息、隐私部位信息和病患个人信息中的至少一种；
将所述隐私数据确定为所述原始医疗影像数据中的敏感信息。
作为一种可选的实施方式，在本发明第一方面中，所述切面识别残差神经网络模型为CNN网络模型；和/或，所述切面识别残差神经网络模型根据以下步骤被训练得到：
确定包括有多个标注有结构切面的训练医疗影像的训练数据集和训练网络模型；所述训练网络模型包括所述切面识别残差神经网络模型和损失函数计算层；
将所述训练数据集中的所述训练医疗影像和所述结构切面的标注以成对标签的形式输入至所述训练网络模型进行训练，并在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，以得到训练好的所述切面识别残差神经网络模型。
作为一种可选的实施方式，在本发明第一方面中，所述损失函数计算层的损失函数为IOU Loss函数；和/或，所述在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，包括：
使用随机梯度下降算法优化所述训练网络模型的模型参数，总计迭代900轮，初始学习率为0.005，每300轮下降一次学习率，以使所述损失函数层计算出的损失函数值不断下降以使得所述训练网络模型达到最优。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息，包括：
根据预设的结构切面-分数对应关系，确定出所述医疗影像数据中的每一结构切面对应的分数；
将所述医疗影像数据中的所有结构切面对应的分数的总和，确定为所述医疗影像数据对应的评分信息。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息，包括：
根据所述医疗影像数据中的至少一个结构切面，确定所述医疗影像数据对应的结构切面信息；所述结构切面信息包括切面数量和切面类型；
将所述结构切面信息输入至训练好的评分神经网络模型中，以得到所述医疗影像数据对应的评分信息；所述评分神经网络模型为通过包括有多个标注有评分信息的训练结构切面信息的训练数据集训练得到。
本发明第二方面公开了一种基于残差神经网络胎儿超声切面量化质控考核装置，其包括：
确定模块，用于确定包括有目标胎儿结构的医疗影像数据；
识别模块，用于将所述医疗影像数据输入至训练好的切面识别残差神经网络模型，以识别得到所述医疗影像数据中的至少一个结构切面；所述切面识别残差神经网络模型为通过包括有多个标注有结构切面的训练医疗影像的训练数据集训练得到；
评分模块，用于根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块确定包括有目标胎儿结构的医疗影像数据的具体方式，包括：
获取原始医疗影像数据；
确定出所述原始医疗影像数据中的敏感信息；
对所述原始医疗影像数据中的敏感信息进行去除，以得到包括有目标胎儿结构的医疗影像数据。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块确定出所述原始医疗影像数据中的敏感信息的具体方式，包括：
确定所述原始医疗影像数据的拍摄目的；
根据所述拍摄目的，确定出所述原始医疗影像数据中与所述拍摄目的无关的无关数据；
将所述无关数据确定为所述原始医疗影像数据中的敏感信息；
和/或，
确定出所述原始医疗影像数据中的隐私数据；所述隐私数据包括隐私疾病信息、隐私部位信息和病患个人信息中的至少一种；
将所述隐私数据确定为所述原始医疗影像数据中的敏感信息。
作为一种可选的实施方式，在本发明第二方面中，所述切面识别残差神经网络模型为CNN网络模型；和/或，所述装置还包括：训练模块，用于执行以下步骤训练得到所述切面识别残差神经网络模型：
确定包括有多个标注有结构切面的训练医疗影像的训练数据集和训练网络模型；所述训练网络模型包括所述切面识别残差神经网络模型和损失函数计算层；
将所述训练数据集中的所述训练医疗影像和所述结构切面的标注以成对标签的形式输入至所述训练网络模型进行训练，并在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，以得到训练好的所述切面识别残差神经网络模型。
作为一种可选的实施方式，在本发明第二方面中，所述损失函数计算层的损失函数为IOU Loss函数；和/或，所述训练模块在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛的具体方式，包括：
使用随机梯度下降算法优化所述训练网络模型的模型参数，总计迭代900轮，初始学习率为0.005，每300轮下降一次学习率，以使所述损失函数层计算出的损失函数值不断下降以使得所述训练网络模型达到最优。
作为一种可选的实施方式，在本发明第二方面中，所述评分模块根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息的具体方式，包括：
根据预设的结构切面-分数对应关系，确定出所述医疗影像数据中的每一结构切面对应的分数；
将所述医疗影像数据中的所有结构切面对应的分数的总和，确定为所述医疗影像数据对应的评分信息。
作为一种可选的实施方式，在本发明第二方面中，所述评分模块根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息的具体方式，包括：
根据所述医疗影像数据中的至少一个结构切面，确定所述医疗影像数据对应的结构切面信息；所述结构切面信息包括切面数量和切面类型；
将所述结构切面信息输入至训练好的评分神经网络模型中，以得到所述医疗影像数据对应的评分信息；所述评分神经网络模型为通过包括有多个标注有评分信息的训练结构切面信息的训练数据集训练得到。
本发明第三方面公开了另一种基于残差神经网络胎儿超声切面量化质控考核装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的基于残差神经网络胎儿超声切面量化质控考核方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，确定包括有目标胎儿结构的医疗影像数据；将所述医疗影像数据输入至训练好的切面识别残差神经网络模型，以识别得到所述医疗影像数据中的至少一个结构切面；所述切面识别残差神经网络模型为通过包括有多个标注有结构切面的训练医疗影像的训练数据集训练得到；根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息。可见，本发明能够根据训练好的切面识别残差神经网络模型对医疗影像数据进行切面识别，再根据识别出的切面对医疗影像数据进行评分，从而可以根据医疗影像中的切面信息对医疗影像的质量进行精确地评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
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单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于残差神经网络胎儿超声切面量化质控考核方法的流程示意图；
图2是本发明实施例公开的一种基于残差神经网络胎儿超声切面量化质控考核装置的结构示意图；
图3是本发明实施例公开的另一种基于残差神经网络胎儿超声切面量化质控考核装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于残差神经网络胎儿超声切面量化质控考核方法及装置，能够根据训练好的切面识别残差神经网络模型对医疗影像数据进行切面识别，再根据识别出的切面对医疗影像数据进行评分，从而可以根据医疗影像中的切面信息对医疗影像的质量进行精确地评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于残差神经网络胎儿超声切面量化质控考核方法的流程示意图。其中，图1所描述的方法可以应用于相应的影像处理终端、影像处理设备或影像处理服务器中，且该服务器可以是本地服务器，也可以是云服务器。如图1所示，该基于残差神经网络胎儿超声切面量化质控考核方法可以包括以下操作：
101、确定包括有目标胎儿结构的医疗影像数据。
可选的，目标胎儿结构可以为胎儿的生物组织对象，例如胎儿或幼儿的颅脑、四肢、心脏、腹部、或盆底部位，本发明不做限定。可选的，医疗影像数据可以为二维影像数据或三维容积影像数据，本发明不做限定。
可选的，三维容积影像数据可以为超声容积影像，其可以通过三维成像设备对目标胎儿结构进行扫描成像而获得，例如，三维成像设备的发射模块可以将一组经过延迟聚焦的脉冲发送到探头，而探头向目标胎儿结构发射超声波，经一定延时后接收从目标胎儿结构反射回来的带有组织信息的超声回波，并将此超声回波重新转换为电信号。接着，三维成像设备接收这些电信号，并将这些超声回波信号送入波束合成模块完成聚焦延时、加权和通道求和，再经过信号处理模块进行信号处理，得到超声容积影像。
102、将医疗影像数据输入至训练好的切面识别残差神经网络模型，以识别得到医疗影像数据中的至少一个结构切面。
可选的，可以重复执行上述步骤以得到对应于医疗影像数据中的多个结构切面，例如对应于胎儿颅脑部位，可以确定出颅脑三维容积影像的多个结构切面，如侧脑室切面、丘脑切面、小脑切面、颅脑正中矢状切面、颜面部正中矢状切面、颜面部水平切面、鼻唇冠状切面。又例如，对应于胎儿四肢部位，通过上述步骤确定出多个结构切面，如肱骨水平切面、肱骨冠状切面、肱骨矢状切面、胫腓骨水平切面、胫腓骨冠状切面、胫腓骨矢状切面。又例如，对应于胎儿心脏部位，通过上述步骤确定出多个结构切面，如有四腔心切面、三血管切面、左室流出道切面、右室流出道切面和左右肺动脉分叉切面。又例如，对应于胎儿腹部部位，通过上述步骤确定出多个结构切面，如腹部水平切面、腹部冠状切面、腹部矢状切面。又例如，对应于盆底部位，通过上述步骤确定出多个结构切面，如盆底水平切面、盆底冠状切面、盆底矢状切面、盆底旁矢状切面。
可选的，切面识别残差神经网络模型为通过包括有多个标注有结构切面的训练医疗影像的训练数据集训练得到。可选的，训练医疗影像的标注可以由操作人员如富有经验的医师来完成。可选的，切面识别残差神经网络模型为CNN网络模型。具体的，切面识别残差神经网络模型可以为Faster R-CNN检测模型。
103、根据医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定医疗影像数据对应的评分信息。
可选的，预设的切面评分规则可以由富有经验的医师根据不同切面类型和/或不同切面数量对应的分数来制定，或是根据行业内的规则规范来制定。
可见，实施本发明实施例所描述的方法能够根据训练好的切面识别残差神经网络模型对医疗影像数据进行切面识别，再根据识别出的切面对医疗影像数据进行评分，从而可以根据医疗影像中的切面信息对医疗影像的质量进行精确地评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，上述步骤101中的，确定包括有目标胎儿结构的医疗影像数据，包括：
获取原始医疗影像数据；
确定出原始医疗影像数据中的敏感信息；
对原始医疗影像数据中的敏感信息进行去除，以得到包括有目标胎儿结构的医疗影像数据。
可选的，敏感信息可以为原始医疗影像数据中的无关数据和/或隐私数据，其可以为影像中的数据或影像附带的标签数据。可选的，对原始医疗影像数据中的敏感信息进行去除的方式，可以为直接删去敏感信息，或是采用预设的字符对敏感信息进行覆盖，或是对敏感信息以预设的加密密钥进行加密形成密文，再采用密文对敏感信息进行覆盖。
可见，通过该可选的实施方式，可以对原始医疗影像数据中的敏感信息进行去除，以得到包括有目标胎儿结构的医疗影像数据，从而能够更精确地计算得到目标的医疗影像数据，减少病患隐私泄露的风险，提高用于后续处理的影像数据的质量，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，上述步骤中的，确定出原始医疗影像数据中的敏感信息，包括：
确定原始医疗影像数据的拍摄目的；
根据拍摄目的，确定出原始医疗影像数据中与拍摄目的无关的无关数据；
将无关数据确定为原始医疗影像数据中的敏感信息。
可选的，可以通过检索原始医疗影像数据对应的医疗档案，来确定拍摄目的。可选的，拍摄目的可以为治疗目的、诊断目的、研究目的或针对特定病症的诊断目的。
可选的，原始医疗影像数据中与拍摄目的无关的无关数据，可以通过算法模型来判断，或是由操作人员来判断。可选的，可以通过包括有多个标注有无关数据的医疗影像数据的训练数据集，训练一个分类网络模型，来进行无关数据的判断。
可见，通过该可选的实施方式，可以根据拍摄目的，确定出原始医疗影像数据中与拍摄目的无关的敏感信息，以便于后续对敏感信息进行去除，从而能够更精确地计算得到目标的医疗影像数据，提高用于后续处理的影像数据的质量，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，上述步骤中的，确定出原始医疗影像数据中的敏感信息，包括：
确定出原始医疗影像数据中的隐私数据；
将隐私数据确定为原始医疗影像数据中的敏感信息。
可选的，隐私数据包括隐私疾病信息、隐私部位信息和病患个人信息中的至少一种。可选的，隐私疾病信息和病患个人信息可以通过数据的标签或数据的文本内容来判断，可以采用关键字识别模型或训练好的神经网络识别模型来实现。可选的，隐私部位信息可以用于指代原始医疗影像数据中属于隐私部位的影像数据，其确定方式可以通过训练好的隐私部位识别的算法模型，例如图像识别算法模型，来确定出原始医疗影像数据中的隐私部位信息。
可见，通过该可选的实施方式，可以将隐私数据确定为原始医疗影像数据中的敏感信息，以便于后续对敏感信息进行去除，从而能够更精确地计算得到目标的医疗影像数据，减少病患隐私泄露的风险，提高用于后续处理的影像数据的质量，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，切面识别残差神经网络模型根据以下步骤被训练得到：
确定包括有多个标注有结构切面的训练医疗影像的训练数据集和训练网络模型；其中，训练网络模型包括切面识别残差神经网络模型和损失函数计算层；
将训练数据集中的训练医疗影像和结构切面的标注以成对标签的形式输入至训练网络模型进行训练，并在训练过程中使用随机梯度下降法使得损失函数层计算出的损失函数值不断下降，优化训练网络模型直至收敛，以得到训练好的切面识别残差神经网络模型。
可选的，损失函数计算层的损失函数为IOU Loss函数，以用于计算切面识别残差神经网络模型确定出的切面识别框与预设的结构切面标注框之间的误差。
可见，通过该可选的实施方式，可以将训练数据集中的训练医疗影像和结构切面的标注以成对标签的形式输入至训练网络模型进行训练，并优化训练网络模型直至收敛，从而能够更精确地训练得到切面识别残差神经网络模型，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，上述步骤中的，在训练过程中使用随机梯度下降法使得损失函数层计算出的损失函数值不断下降，优化训练网络模型直至收敛，包括：
使用随机梯度下降算法优化训练网络模型的模型参数，总计迭代900轮，初始学习率为0.005，每300轮下降一次学习率，以使损失函数层计算出的损失函数值不断下降以使得训练网络模型达到最优。
可见，通过该可选的实施方式，可以对训练网络模型进行充分的训练，并优化训练网络模型直至收敛，从而能够更精确地训练得到切面识别残差神经网络模型，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，上述步骤103中的，根据医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定医疗影像数据对应的评分信息，包括：
根据预设的结构切面-分数对应关系，确定出医疗影像数据中的每一结构切面对应的分数；
将医疗影像数据中的所有结构切面对应的分数的总和，确定为医疗影像数据对应的评分信息。
可选的，预设的结构切面-分数对应关系可以用于指示不同类型的结构切面对应的分数，该分数可以由医师在预先根据不同结构切面的重要性进行确定。可选的，类型为基准切面的结构切面的分数，高于类型为随机切面的结构切面的分数。其中，基准切面为在不同坐标系的坐标轴方向上的切面，在医学上一般有矢状切面、冠状切面和水平切面。
可见，通过该可选的实施方式，可以将医疗影像数据中的所有结构切面对应的分数的总和，确定为医疗影像数据对应的评分信息，从而能够更精确和合理地计算医疗影像数据的评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，上述步骤中的，根据医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定医疗影像数据对应的评分信息，包括：
根据医疗影像数据中的至少一个结构切面，确定医疗影像数据对应的结构切面信息；
将结构切面信息输入至训练好的评分神经网络模型中，以得到医疗影像数据对应的评分信息。
可选的，评分神经网络模型为通过包括有多个标注有评分信息的训练结构切面信息的训练数据集训练得到。可选的，评分神经网络模型可以为卷积神经网络模型。可选的，训练结构切面信息的评分信息标注可以由富有经验的医师进行标注。
可选的，结构切面信息包括切面数量和切面类型，例如结构切面中可以为每一类型的结构切面对应的数量，可以用表格或键值对的方式进行储存。
可见，通过该可选的实施方式，可以将医疗影像数据中的所有结构切面对应的分数的总和，确定为医疗影像数据对应的评分信息，从而能够更精确和合理地计算医疗影像数据的评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于残差神经网络胎儿超声切面量化质控考核装置的结构示意图。其中，图2所描述的装置可以应用于相应的影像处理终端、影像处理设备或影像处理服务器，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该装置可以包括：
确定模块201，用于确定包括有目标胎儿结构的医疗影像数据。
可选的，目标胎儿结构可以为胎儿的生物组织对象，例如胎儿或幼儿的颅脑、四肢、心脏、腹部、或盆底部位，本发明不做限定。可选的，医疗影像数据可以为二维影像数据或三维容积影像数据，本发明不做限定。
可选的，三维容积影像数据可以为超声容积影像，其可以通过三维成像设备对目标胎儿结构进行扫描成像而获得，例如，三维成像设备的发射模块可以将一组经过延迟聚焦的脉冲发送到探头，而探头向目标胎儿结构发射超声波，经一定延时后接收从目标胎儿结构反射回来的带有组织信息的超声回波，并将此超声回波重新转换为电信号。接着，三维成像设备接收这些电信号，并将这些超声回波信号送入波束合成模块完成聚焦延时、加权和通道求和，再经过信号处理模块进行信号处理，得到超声容积影像。
识别模块202，用于将医疗影像数据输入至训练好的切面识别残差神经网络模型，以识别得到医疗影像数据中的至少一个结构切面。
可选的，可以重复执行上述步骤以得到对应于医疗影像数据中的多个结构切面，例如对应于胎儿颅脑部位，可以确定出颅脑三维容积影像的多个结构切面，如侧脑室切面、丘脑切面、小脑切面、颅脑正中矢状切面、颜面部正中矢状切面、颜面部水平切面、鼻唇冠状切面。又例如，对应于胎儿四肢部位，通过上述步骤确定出多个结构切面，如肱骨水平切面、肱骨冠状切面、肱骨矢状切面、胫腓骨水平切面、胫腓骨冠状切面、胫腓骨矢状切面。又例如，对应于胎儿心脏部位，通过上述步骤确定出多个结构切面，如有四腔心切面、三血管切面、左室流出道切面、右室流出道切面和左右肺动脉分叉切面。又例如，对应于胎儿腹部部位，通过上述步骤确定出多个结构切面，如腹部水平切面、腹部冠状切面、腹部矢状切面。又例如，对应于盆底部位，通过上述步骤确定出多个结构切面，如盆底水平切面、盆底冠状切面、盆底矢状切面、盆底旁矢状切面。
可选的，切面识别残差神经网络模型为通过包括有多个标注有结构切面的训练医疗影像的训练数据集训练得到。可选的，训练医疗影像的标注可以由操作人员如富有经验的医师来完成。可选的，切面识别残差神经网络模型为CNN网络模型。具体的，切面识别残差神经网络模型可以为Faster R-CNN检测模型。
评分模块203，用于根据医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定医疗影像数据对应的评分信息。
可选的，预设的切面评分规则可以由富有经验的医师根据不同切面类型和/或不同切面数量对应的分数来制定，或是根据行业内的规则规范来制定。
可见，实施本发明实施例所描述的装置能够根据训练好的切面识别残差神经网络模型对医疗影像数据进行切面识别，再根据识别出的切面对医疗影像数据进行评分，从而可以根据医疗影像中的切面信息对医疗影像的质量进行精确地评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，确定模块201确定包括有目标胎儿结构的医疗影像数据的具体方式，包括：
获取原始医疗影像数据；
确定出原始医疗影像数据中的敏感信息；
对原始医疗影像数据中的敏感信息进行去除，以得到包括有目标胎儿结构的医疗影像数据。
可选的，敏感信息可以为原始医疗影像数据中的无关数据和/或隐私数据，其可以为影像中的数据或影像附带的标签数据。可选的，对原始医疗影像数据中的敏感信息进行去除的方式，可以为直接删去敏感信息，或是采用预设的字符对敏感信息进行覆盖，或是对敏感信息以预设的加密密钥进行加密形成密文，再采用密文对敏感信息进行覆盖。
可见，通过该可选的实施方式，可以对原始医疗影像数据中的敏感信息进行去除，以得到包括有目标胎儿结构的医疗影像数据，从而能够更精确地计算得到目标的医疗影像数据，减少病患隐私泄露的风险，提高用于后续处理的影像数据的质量，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，确定模块201确定出原始医疗影像数据中的敏感信息的具体方式，包括：
确定原始医疗影像数据的拍摄目的；
根据拍摄目的，确定出原始医疗影像数据中与拍摄目的无关的无关数据；
将无关数据确定为原始医疗影像数据中的敏感信息。
可选的，可以通过检索原始医疗影像数据对应的医疗档案，来确定拍摄目的。可选的，拍摄目的可以为治疗目的、诊断目的、研究目的或针对特定病症的诊断目的。
可选的，原始医疗影像数据中与拍摄目的无关的无关数据，可以通过算法模型来判断，或是由操作人员来判断。可选的，可以通过包括有多个标注有无关数据的医疗影像数据的训练数据集，训练一个分类网络模型，来进行无关数据的判断。
可见，通过该可选的实施方式，可以根据拍摄目的，确定出原始医疗影像数据中与拍摄目的无关的敏感信息，以便于后续对敏感信息进行去除，从而能够更精确地计算得到目标的医疗影像数据，提高用于后续处理的影像数据的质量，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，确定模块201确定出原始医疗影像数据中的敏感信息的具体方式，包括：
确定出原始医疗影像数据中的隐私数据；
将隐私数据确定为原始医疗影像数据中的敏感信息。
可选的，隐私数据包括隐私疾病信息、隐私部位信息和病患个人信息中的至少一种。可选的，隐私疾病信息和病患个人信息可以通过数据的标签或数据的文本内容来判断，可以采用关键字识别模型或训练好的神经网络识别模型来实现。可选的，隐私部位信息可以用于指代原始医疗影像数据中属于隐私部位的影像数据，其确定方式可以通过训练好的隐私部位识别的算法模型，例如图像识别算法模型，来确定出原始医疗影像数据中的隐私部位信息。
可见，通过该可选的实施方式，可以将隐私数据确定为原始医疗影像数据中的敏感信息，以便于后续对敏感信息进行去除，从而能够更精确地计算得到目标的医疗影像数据，减少病患隐私泄露的风险，提高用于后续处理的影像数据的质量，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，该装置还包括训练模块，用于执行以下步骤训练得到切面识别残差神经网络模型：
确定包括有多个标注有结构切面的训练医疗影像的训练数据集和训练网络模型；其中，训练网络模型包括切面识别残差神经网络模型和损失函数计算层；
将训练数据集中的训练医疗影像和结构切面的标注以成对标签的形式输入至训练网络模型进行训练，并在训练过程中使用随机梯度下降法使得损失函数层计算出的损失函数值不断下降，优化训练网络模型直至收敛，以得到训练好的切面识别残差神经网络模型。
可选的，损失函数计算层的损失函数为IOU Loss函数，以用于计算切面识别残差神经网络模型确定出的切面识别框与预设的结构切面标注框之间的误差。
可见，通过该可选的实施方式，可以将训练数据集中的训练医疗影像和结构切面的标注以成对标签的形式输入至训练网络模型进行训练，并优化训练网络模型直至收敛，从而能够更精确地训练得到切面识别残差神经网络模型，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，训练模块在训练过程中使用随机梯度下降法使得损失函数层计算出的损失函数值不断下降，优化训练网络模型直至收敛的具体方式，包括：
使用随机梯度下降算法优化训练网络模型的模型参数，总计迭代900轮，初始学习率为0.005，每300轮下降一次学习率，以使损失函数层计算出的损失函数值不断下降以使得训练网络模型达到最优。
可见，通过该可选的实施方式，可以对训练网络模型进行充分的训练，并优化训练网络模型直至收敛，从而能够更精确地训练得到切面识别残差神经网络模型，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，评分模块203根据医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定医疗影像数据对应的评分信息的具体方式，包括：
根据预设的结构切面-分数对应关系，确定出医疗影像数据中的每一结构切面对应的分数；
将医疗影像数据中的所有结构切面对应的分数的总和，确定为医疗影像数据对应的评分信息。
可选的，预设的结构切面-分数对应关系可以用于指示不同类型的结构切面对应的分数，该分数可以由医师在预先根据不同结构切面的重要性进行确定。可选的，类型为基准切面的结构切面的分数，高于类型为随机切面的结构切面的分数。其中，基准切面为在不同坐标系的坐标轴方向上的切面，在医学上一般有矢状切面、冠状切面和水平切面。
可见，通过该可选的实施方式，可以将医疗影像数据中的所有结构切面对应的分数的总和，确定为医疗影像数据对应的评分信息，从而能够更精确和合理地计算医疗影像数据的评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
作为一种可选的实施方式，评分模块203根据医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定医疗影像数据对应的评分信息的具体方式，包括：
根据医疗影像数据中的至少一个结构切面，确定医疗影像数据对应的结构切面信息；
将结构切面信息输入至训练好的评分神经网络模型中，以得到医疗影像数据对应的评分信息。
可选的，评分神经网络模型为通过包括有多个标注有评分信息的训练结构切面信息的训练数据集训练得到。可选的，评分神经网络模型可以为卷积神经网络模型。可选的，训练结构切面信息的评分信息标注可以由富有经验的医师进行标注。
可选的，结构切面信息包括切面数量和切面类型，例如结构切面中可以为每一类型的结构切面对应的数量，可以用表格或键值对的方式进行储存。
可见，通过该可选的实施方式，可以将医疗影像数据中的所有结构切面对应的分数的总和，确定为医疗影像数据对应的评分信息，从而能够更精确和合理地计算医疗影像数据的评分，有利于实现更高效的医疗影像的质量把控，为后续的医疗数据处理提供更高质量的数据基础。
实施例三
请参阅图3，图3是本发明实施例公开的又一种基于残差神经网络胎儿超声切面量化质控考核装置的结构示意图。如图3所示，该装置可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于残差神经网络胎儿超声切面量化质控考核方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于残差神经网络胎儿超声切面量化质控考核方法中的部分或全部步骤。
上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后应说明的是：本发明实施例公开的一种基于残差神经网络胎儿超声切面量化质控考核方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于残差神经网络胎儿超声切面量化质控考核方法，其特征在于，所述方法包括：
确定包括有目标胎儿结构的医疗影像数据；
将所述医疗影像数据输入至训练好的切面识别残差神经网络模型，以识别得到所述医疗影像数据中的至少一个结构切面；所述切面识别残差神经网络模型为通过包括有多个标注有结构切面的训练医疗影像的训练数据集训练得到；
根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息。
2.根据权利要求1所述的基于残差神经网络胎儿超声切面量化质控考核方法，其特征在于，所述确定包括有目标胎儿结构的医疗影像数据，包括：
获取原始医疗影像数据；
确定出所述原始医疗影像数据中的敏感信息；
对所述原始医疗影像数据中的敏感信息进行去除，以得到包括有目标胎儿结构的医疗影像数据。
3.根据权利要求2所述的基于残差神经网络胎儿超声切面量化质控考核方法，其特征在于，所述确定出所述原始医疗影像数据中的敏感信息，包括：
确定所述原始医疗影像数据的拍摄目的；
根据所述拍摄目的，确定出所述原始医疗影像数据中与所述拍摄目的无关的无关数据；
将所述无关数据确定为所述原始医疗影像数据中的敏感信息；
和/或，
确定出所述原始医疗影像数据中的隐私数据；所述隐私数据包括隐私疾病信息、隐私部位信息和病患个人信息中的至少一种；
将所述隐私数据确定为所述原始医疗影像数据中的敏感信息。
4.根据权利要求1所述的基于残差神经网络胎儿超声切面量化质控考核方法，其特征在于，所述切面识别残差神经网络模型为CNN网络模型；和/或，所述切面识别残差神经网络模型根据以下步骤被训练得到：
确定包括有多个标注有结构切面的训练医疗影像的训练数据集和训练网络模型；所述训练网络模型包括所述切面识别残差神经网络模型和损失函数计算层；
将所述训练数据集中的所述训练医疗影像和所述结构切面的标注以成对标签的形式输入至所述训练网络模型进行训练，并在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，以得到训练好的所述切面识别残差神经网络模型。
5.根据权利要求4所述的基于残差神经网络胎儿超声切面量化质控考核方法，其特征在于，所述损失函数计算层的损失函数为IOU Loss函数；和/或，所述在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，包括：
使用随机梯度下降算法优化所述训练网络模型的模型参数，总计迭代900轮，初始学习率为0.005，每300轮下降一次学习率，以使所述损失函数层计算出的损失函数值不断下降以使得所述训练网络模型达到最优。
6.根据权利要求4所述的基于残差神经网络胎儿超声切面量化质控考核方法，其特征在于，所述根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息，包括：
根据预设的结构切面-分数对应关系，确定出所述医疗影像数据中的每一结构切面对应的分数；
将所述医疗影像数据中的所有结构切面对应的分数的总和，确定为所述医疗影像数据对应的评分信息。
7.根据权利要求4所述的基于残差神经网络胎儿超声切面量化质控考核方法，其特征在于，所述根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息，包括：
根据所述医疗影像数据中的至少一个结构切面，确定所述医疗影像数据对应的结构切面信息；所述结构切面信息包括切面数量和切面类型；
将所述结构切面信息输入至训练好的评分神经网络模型中，以得到所述医疗影像数据对应的评分信息；所述评分神经网络模型为通过包括有多个标注有评分信息的训练结构切面信息的训练数据集训练得到。
8.一种基于残差神经网络胎儿超声切面量化质控考核装置，其特征在于，所述装置包括：
确定模块，用于确定包括有目标胎儿结构的医疗影像数据；
识别模块，用于将所述医疗影像数据输入至训练好的切面识别残差神经网络模型，以识别得到所述医疗影像数据中的至少一个结构切面；所述切面识别残差神经网络模型为通过包括有多个标注有结构切面的训练医疗影像的训练数据集训练得到；
评分模块，用于根据所述医疗影像数据中的至少一个结构切面，以及预设的切面评分规则，确定所述医疗影像数据对应的评分信息。
9.一种基于残差神经网络胎儿超声切面量化质控考核装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于残差神经网络胎儿超声切面量化质控考核方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于残差神经网络胎儿超声切面量化质控考核方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210562533.3A CN114972241A (zh) | 2022-05-23 | 2022-05-23 | 基于残差神经网络胎儿超声切面量化质控考核方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210562533.3A CN114972241A (zh) | 2022-05-23 | 2022-05-23 | 基于残差神经网络胎儿超声切面量化质控考核方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114972241A true CN114972241A (zh) | 2022-08-30 |
Family
ID=82985323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210562533.3A Pending CN114972241A (zh) | 2022-05-23 | 2022-05-23 | 基于残差神经网络胎儿超声切面量化质控考核方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972241A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782407A (zh) * | 2022-05-23 | 2022-07-22 | 中山大学附属第一医院 | 基于卷积神经网络的胎儿超声关键切面识别方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191442A (zh) * | 2018-08-28 | 2019-01-11 | 深圳大学 | 超声图像评估及筛选方法和装置 |
| CN110464380A (zh) * | 2019-09-12 | 2019-11-19 | 李肯立 | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 |
| 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 |
| CN112070119A (zh) * | 2020-08-11 | 2020-12-11 | 长沙大端信息科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
-
2022
- 2022-05-23 CN CN202210562533.3A patent/CN114972241A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191442A (zh) * | 2018-08-28 | 2019-01-11 | 深圳大学 | 超声图像评估及筛选方法和装置 |
| 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 |
| CN110464380A (zh) * | 2019-09-12 | 2019-11-19 | 李肯立 | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 |
| CN112070119A (zh) * | 2020-08-11 | 2020-12-11 | 长沙大端信息科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 乔大雷，张娟，吕太之 著: "《海上态势视觉感知方法研究》", 31 October 2021, 长春：吉林大学出版社, pages: 20 - 21 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782407A (zh) * | 2022-05-23 | 2022-07-22 | 中山大学附属第一医院 | 基于卷积神经网络的胎儿超声关键切面识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009640B (zh) | 处理心脏视频的方法、设备和可读介质 | |
| CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
| CN108416776A (zh) | 图像识别方法、图像识别装置、计算机产品和可读存储介质 | |
| EP3592242B1 (en) | Blood vessel obstruction diagnosis apparatus | |
| JP2013192624A (ja) | 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム | |
| US10997720B2 (en) | Medical image classification method and related device | |
| WO2019180742A1 (en) | System and method for retinal fundus image semantic segmentation | |
| KR102015469B1 (ko) | 신경계 질환 관리를 위한 시스템 및 방법 | |
| KR101929412B1 (ko) | 영상 데이터베이스 기반 2차원 x-선 영상 및 3차원 ct 영상의 실시간 정합 방법 및 그 장치 | |
| WO2021005613A1 (en) | Chest radiograph image analysis system and a method thereof | |
| WO2024156255A1 (zh) | 基于图像的目标识别、神经网络模型处理方法 | |
| WO2022188695A1 (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN114972241A (zh) | 基于残差神经网络胎儿超声切面量化质控考核方法及装置 | |
| CN116884648A (zh) | 基于中医问诊的语音交互优化方法、装置、设备及介质 | |
| CN113205488B (zh) | 血流特性预测方法、装置、电子设备及存储介质 | |
| Zhu et al. | Automatic view classification of contrast and non-contrast echocardiography | |
| CN114565623B (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
| CN114782407A (zh) | 基于卷积神经网络的胎儿超声关键切面识别方法及装置 | |
| Alhatemi et al. | A weighted ensemble approach with multiple pre-trained deep learning models for classification of stroke | |
| Sriram et al. | Deep Learning Approaches for Pneumonia Classification in Healthcare | |
| Devisri et al. | Fetal growth analysis from ultrasound videos based on different biometrics using optimal segmentation and hybrid classifier | |
| CN109671065A (zh) | 一种基于头颅ct影像的取栓判断的方法及系统 | |
| Ye et al. | A Novel Convolutional Neural Network Based on Adaptive Multi-Scale Aggregation and Boundary-Aware for Lateral Ventricle Segmentation on MR images | |
| CN114359207B (zh) | 颅内血管分割方法、装置、存储介质及电子设备 | |
| CN110634129B (zh) | 一种基于dsa图像的定位方法及系统 |
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 |