检索历史 清除

摘要医学超声影像技术由于其价格低廉、实时性且无损伤，是孕妇产检的首要选择方式。胎儿头围是胎儿重要的生理指标之一，孕期测量该指标可以监测胎儿的生长发育情况，为孕妇选择分娩方式提供科学依据。目前，胎儿头围参数绝大多数由医生手动测量，步骤繁琐、耗时较长，而且获得的结果在很大程度上依赖医生的主观判断。随着深度学习等人工智能手段的发展，计算机辅助测量已成功应用于超声图像参数的自动识别。但是由于超声图像像素单一、噪声较强，而且在超声胎儿头围图像中存在颅骨边缘模糊、部分颅骨边缘缺失以及母体组织干扰颅骨边缘识别等问题，已有的一些自动测量方法仍存在识别区域不准、需添加手动标记等问题。<br>　　本文将胎儿头围自动测量分为两个子系统：一是头围分割系统，由U-Net3+网络构成，其作用为精准分割胎儿头部区域并生成胎儿头围预测掩膜图像。二是掩膜处理与参数测量系统，用以对子系统一中生成的掩膜图像提取胎儿颅骨边缘，椭圆拟合并测量参数。在头围分割系统中，本文的主要工作体现在将超声胎儿头围图像按照母体妊娠三个不同时期分为三个数据集，并针对不同妊娠期选用不同的网络实现头围分割。首先使用U-Net网络分别训练三个妊娠期的数据集，通过综合比较训练三个妊娠期数据集后得出的loss收敛图、头围预测掩膜图像效果以及评估系数可得，妊娠中期的超声胎儿头围图像的头围分割效果较好。然后，分别训练U-Net网络、U-Net++网络、U-Net3+网络、AttentionU-Net网络、MultiResU-Net网络处理妊娠三个时期的超声胎儿头围图像，综合比较定性预测图像效果和定量评估系数，可得U-Net3+网络的网络性能最佳。此外，本文所使用的U-Net3+网络引入Dropout技术和BN算法(BatchNormalization)来缓解网络过拟合问题。在掩膜处理和参数测量系统中，先对掩膜图像进行灰度转换和二值化处理，以便后续边缘提取。然后，使用Canny边缘检测算子提取掩膜边缘，围度周长最大的边缘即胎儿颅骨边缘。最后，对颅骨边缘进行最小二乘椭圆拟合，测量头围参数。<br>　　本文以Dice系数、平均交并比(MIoU)、像素准确率(PixelAccuracy,PA)和类别像素准确率(ClassPixelAccuracy，CPA)、绝对误差、相对误差来评估自动测量系统的性能。结果显示使用U-Net3+网络在妊娠早期的Dice系数平均值为94.73%，MIoU平均值为0.8902，PA平均值为98.76%，CPA平均值为99.06%。妊娠中期，Dice系数平均值为98.03%，MIoU平均值为0.9356，PA平均值为98.96%，CPA平均值为99.29%。妊娠后期，Dice系数平均值为97.35%，MIoU平均值为0.9258，PA平均值为99.03%，CPA平均值为99.30%。同时，将妊娠三时期的超声胎儿头围图像测试集总数据输入到自动测量系统中得到的头围平均绝对误差为2.33±3.71，平均相对误差为0.009，平均每秒能处理2.3张图片，能够做到精准实时处理。因此，本文提出的方法能够精准测量胎儿头围参数，具有重要的应用价值和临床意义。