[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

说明书

本发明提供了一种基于U‑Net超声胎心和胎肺深度学习联合分割方法。首先，构建带有不同标注信息的胎儿心脏和肺的超声图像数据集；然后，利用数据集对Faster RCNN网络进行训练，并进行目标检测，得到包含心脏和肺的感兴趣区域(Region of interest，ROI)的小尺度胎肺胎心图像；最后，设计新的分割网络模型，并采用增强后的小尺度胎肺胎心图像和预训练模型的方式，对分割网络模型进行参数训练，得到可进行胎心胎肺超声图像像素级分割的网络，实现胎儿心脏与肺的分割。本发明通过语义分割方式对胎儿心脏与肺的边缘进行联合分割，具有较好的分割效果。

技术领域

本发明属属医学图像处理技术领域，具体涉及一种基于U-Net超声胎心和胎肺深度学习联合分割方法。

背景技术

在孕妇的临床超声产前检查诊断中，需要对胎儿的先天性心脏病进行筛查和对肺的成熟度进行评估，因此，对图像中的心脏组织和肺的轮廓分割显得格外重要。

目前对于胎儿超声图像中心脏和肺组织联合分割的研究相对较少，大多是针对于单独的心脏和肺进行分割，忽略了图像中心脏与肺的相互关联关系。比如，对于胎儿心脏的超声图像的分割问题，C.Shobana Nageswari等人在文献“S.Nageswari,and P.Helen,Preserving the border and curvature of fetal heart chambers through TDyWTperspective geometry wrap segmentation.Multimedia Tools and Applications,77,8,10235-10250,2018.”中采用了横向二进小波变换的方法对胎儿心室超声图像进分割分析。Vargas-Quintero等人在文献“L.Vargas-Quintero,B.Escalante-Ramírez,L.Marín,M.Huerta,F.Cosio,and H.Olivares,Left ventricle segmentation in fetalechocardiography using a multi-texture active appearance model based on thesteered Hermite transform.computer methods and programs in biomedicine,137,231-245，2016.”中采用了基于Hermite变换的多纹理主动外观模型，对左心室超声心动图像进行了分割。在关于胎儿肺的超声图像的分割研究中，L.Xiaomin等人在文献“L.Xiaomin.,W.Yuanyuan,Y.Jinhua,and C.Ping，Fetal lung segmentation usingtexture-based boundary enhancement and active contour models，In 2010 3rdInternational Conference on Biomedical Engineering and Informatics,1,pp.264-268,2010.”中，通过对胸腔超声图像进行降噪和纹理增强，采用The ExpectationMaximization(EM)边界分割算法获取简化的边缘，然后通过the vector fieldconvolution model(VFC)模型获取到实际边缘。

以上是对于胎肺或胎心超声图像进行分割的方法，均是针对于单个组织的分割，忽略了对象之间相互关系；此外，这些方法多数通过提取手工设计的图像特征进行超声图像分割，需要借助大量经验知识，在模型中选取一个合适的阈值对于方法的效果影响很大，且分割过程是通过排除胸腔中其余组织的位置进行分割的，属于间接分割而非端到端的方法，因此，方法泛化能力不足，难以推广。

发明内容