[发明专利]一种基于机器学习检测胎儿颅脑异常的系统

说明书

本发明公开了一种基于机器学习检测胎儿颅脑异常的方法，具体是在胎儿颅脑的发育过程中，检测颅脑的主要组织结构是否存在异常和异常会导致哪些相关的颅脑疾病。本发明主要通过获取不同孕周系列颅脑标准切面的数据，对数据预处理，训练一个模型来检测颅脑主要组织结构是否存在异常。采用深度卷积网络提取特征，区域生成网络RPN生成候选区域，感兴趣池化层层收集输入的特征图和候选区域，并利用softmax分类器进行分类和回归检测，最后利用检测结果来分析主要的结构是否存在异常。如果未发现存在异常，则判断为正常。本发明旨在利用计算机辅助诊断，不需要医生或者人为的过多参与诊断的情况下，辅助诊断颅脑是否异常。

技术领域

本发明属于计算机辅助诊断技术领域，更具体地，涉及一种基于机器学习检测胎儿颅脑异常的系统。

背景技术

在胎儿整个身体的发育过程中，颅脑的健康发育具有异常重要的意义，颅脑发育不全会直接影响胎儿的智力，严重会引起脑瘫、精神运动发育迟缓、智力低下、癫痫等。鉴于此，产前超声对胎儿颅脑进行详细的检查非常必要。

然而，现有超声对胎儿颅脑检测存在一些不可忽略的缺点：第一，由于胎儿颅脑检测过程相当复杂，而目前临床经验丰富、擅长胎儿颅脑异常产前检查的超声医师严重缺乏，因而大大的加大了那些有经验超声医师的工作任务，并造成优质医疗资源不平衡的问题；第二，利用超声采集颅脑图像时，存在的诸多干扰因素(例如超声伪像的干扰、超声医师的技术不娴熟等)都会造成超声图像采集的质量不高，从而导致最终难以根据检测结果对胎儿的颅脑发育状况做出准确分析；第三，胎儿颅脑的产前超声检查对于超声医师的技术要求非常高，不同水平的超声医师针对同样的检测对象，可能会得出不同的颅脑检测结果，从而影响最终检测结果的准确性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于机器学习检测胎儿颅脑异常的系统，其目的在于，通过人工智能(Artificial intelligence，简称AI)深度学习大样本量的正常和异常胎儿颅脑超声影像数据，解决现有基于超声成像的胎儿颅脑检测中存在的上述技术问题，本发明在对胎儿进行实时超声扫描过程中，结合胎儿的孕周和病史等资料，实时不间断地监测与分析胎儿颅脑超声影像智能识别出胎儿颅脑发育的系列标准切面，自动化获取并存储智能识别出的标准切面，最后自动测量和分析胎儿颅脑的发育参数，并识别出可能存在的胎儿颅脑异常。

为实现上述目的，按照本发明的一个方面，提供了一种基于机器学习检测胎儿颅脑异常的系统，包括：

第一模块，用于获取不同孕周系列的胎儿颅脑标准切面数据集；

第二模块，用于对第一模块获取的胎儿颅脑标准切面数据集进行预处理，以得到预处理后的胎儿颅脑标准切面数据集；

第三模块，用于将第二模块预处理后的胎儿颅脑标准切面数据集输入训练好的颅脑组织检测网络中，以获得胎儿颅脑中各关键组织的检测结果。

第四模块，用于根据第三模块得到的胎儿颅脑中各关键组织的检测结果判断胎儿颅脑中的至少一个关键组织是否存在异常，如果不存在异常，则提示胎儿颅脑正常，过程结束；如果存在异常，则提示胎儿可能存在哪些相关的颅脑异常，过程结束。

优选地，第二模块包括以下子模块：

第一子模块，用于针对胎儿颅脑标准切面数据集中的每一幅标准切面图像而言，利用自适应均值滤波法对该标准切面图像进行去噪处理，并将去噪处理后的标准切面图像裁剪成统一的尺寸，以得到裁剪后的标准切面图像；

第二子模块，用于利用自适应中值滤波法对第一子模块得到的裁剪后的每一幅标准切面图像进行去噪处理，将去燥处理后的每一幅标准切面图像发送到放射科专家处进行标记，并获得标记后的每一幅标准切面图像；

第三子模块，用于对第二子模块得到的标记后的每一幅标准切面图像进行归一化处理，以获得归一化后的标准切面图像，所有归一化后的标准切面图像构成预处理后的胎儿颅脑标准切面数据集。