基于更快速的区域卷积神经网络的胎儿头围超声图像质量控制

Quality Assessment of Fetal Head Ultrasound Images Based on Faster R-CNN

二维码有效期 120s

摘要胎儿标准丘脑水平横切面是胎儿双顶径与头围的测量切面,而双顶径和头围这两个测量参数对于预测胎儿体重有重要的作用.临床上此切面一直由超声医生手动获取,手动获取的切面质量高度依赖超声医生的临床工作经验,不但耗时,而且容易得到图像质量较差的切面.为了解决手动获取存在的问题,提出一种基于更快速的区域卷积神经网络(faster R-CNN)的胎儿头围超声图像质量控制方法,辅助医生自动、快速和准确地获得标准丘脑水平横切面.首先,与超声专家团队制定评定协议,通过数据增强的方法,构建胎儿头围超声图像数据库;然后,通过faster R-CNN从训练数据中学习提取有识别性的特征,并利用通过联合训练和交替优化,使得区域建议网络(RPN)模块和fast R-CNN模块共享卷积层特征,构建一个完全端到端的卷积神经网络(CNN)对象检测模型,检测关键解剖结构;最后,通过检测的解剖结构结果对丘脑水平切面进行自动评分,根据评分结果进而自动判断是否是标准切面.对所采集的513张超声切面,80％的作为训练数据集,20％为测试数据集.所提出的方法能够准确地定位到丘脑水平横切面的5个解剖结构,5个解剖结构的检测平均准确度达到80.7％,且每张丘脑水平切面的检查时间大约0.27 s.所提出的方法对胎儿头围超声图象进行自动化质量控制是可行的.