[发明专利]基于U-Net超声胎心和胎肺深度学习联合分割方法

权利要求书

1.一种基于U-Net超声胎心和胎肺深度学习联合分割方法，其特征在于包括以下步骤：

步骤1：分别构建得到超声胎心胎肺图像语义分割数据集和目标检测数据集，其中，语义分割数据集包括胎儿心脏和肺的超声图像及图像中心脏边缘与肺边缘的坐标点标注信息，目标检测数据集包括胎儿心脏和肺的超声图像及包络心脏和肺的矩形框标注信息，每个数据集中的图像数量不少于500幅；所述的超声图像为对原始的医疗数位影像传输协定格式的超声图像进行脱敏处理后，再存储为数字图像格式的图像；

步骤2：以目标检测数据集中超声胎心胎肺的图像为输入，对Faster RCNN网络进行训练，得到训练好的网络；然后，利用训练好的网络对语义分割数据集中的超声胎心胎肺图像进行目标检测，得到包络心脏和肺的矩形框坐标信息，按照矩形框坐标对语义分割数据集中的图像进行裁剪处理，保留矩形框坐标对应的矩形图像，得到小尺度的胎肺胎心图像语义分割数据集；

步骤3：分别对小尺度的语义分割数据集中的每一幅图像进行几何变换和颜色变换，得到图像增强后的小尺度语义分割数据集；所述的几何变换包括对图像进行翻转、旋转、裁剪、缩放、变形中的一种或者若干种组合的变换；所述的颜色变换，是指依次对图像进行噪声添加、模糊、擦除和填充处理；

步骤4：以U-Net网络模型为骨干网络，分别添加Resnet模块到其左侧编码网络的4个卷积部分之前，并将左侧编码网络与右侧解码网络输出的相应同尺度的特征图同时输入到注意力模块，得到RA_U-Net网络模型；采用ImageNet数据集对RA_U-Net网络进行训练，以训练后得到的网络参数作为迁移学习的预训练参数；

步骤5：以图像增强后的小尺度语义分割数据集作为训练集输入到RA_U-Net网络模型进行训练，其中，以步骤4得到的预训练参数作为网络初始化参数，以交叉熵函数作为损失函数最小化网络预测的分割结果与数据集中的真实标记之间的差距，采用随机梯度下降法进行优化，当网络的损失函数达到最小值，网络训练结束，得到训练好的RA_U-Net网络；

步骤6：采用训练好的RA_U-Net网络对待分割的胎心胎肺超声图像进行处理，输出即为心脏和肺部组织的分割轮廓。