[发明专利]图像标准切面的处理方法及装置

说明书

本发明公开了一种图像标准切面的处理方法及装置，所述方法包括：根据图像判断目标的朝向，所述朝向为预设方向，所述图像包括颅脑矢状面图；利用目标检测模型检测所述图像中的目标区域，并对所述目标区域的清晰度评分；根据所述目标区域的清晰度评分判断所述图像是否为标准切面；其中，所述目标区域包括鼻尖、鼻前皮肤、鼻骨、上颚、丘脑、中脑、第四脑室、小脑延髓池、颈后透明层中的多个区域或全部。相较端对端的分类模型，本发明特有的九大结构的抓取与评分系统极大的提高了模型的可解释性。另外，本发明通过寻找九大结构约束了多层感知机的过拟合，使得本发明在外部验证集中的表现优于端对端的分类模型，提高了预测的泛用性。

技术领域

本发明涉及图像处理技术领域，尤其涉及图像标准切面的处理方法及装置。

背景技术

在孕妇怀孕10到14周时，孕检的一项重要步骤是做胎儿唐氏综合征的筛查。这项检查会依据胎儿颈后透明层的厚度判断染色体异常的概率。通常，胎儿的颈后透明层厚度的正常值在2.5mm以内，假如超过2.5mm，那么胎儿很可能会患有染色体异常的疾病，而且数值越大则发生异常的概率越大。目前，超声是测量胎儿颈后透明层厚度的方法。在做超声检查时，医师会寻找胎儿的标准切面(标准矢状面)，即经过鼻尖到脊柱的切面。只有在标准切面中测量的颈后透明层厚度才可以作为判断染色体是否异常的依据。然而，在实际检查中截取标准切面对医师的经验要求很高，因为医师通常要在零点几秒内判断切面是否标准并迅速截屏。即使是在三甲医院五年级的超声医师也需要重复截取多次切面才有可能得到一张质量较高的标准切面，有时甚至得到的最好的切面依然不够标准。

传统的图片分类方法是端对端的卷积神经网络，即将图片输入，模型会输出其标签。训练这些端对端的卷积神经网络模型通常需要大量标注准确的图像，在医疗影像领域很难达到如此规模。即使积累了足够的数据进行训练，我们也无法明确得知这些端对端的卷积神经网络是如何根据输入图像做出的预测，可解释性差。另外，虽然目前有在胎儿颅脑超声图像中做结构检测方法，但是人工智能的应用局限于目标检测，尚不能直接把目标检测的结果通过一个机器学习模型联系到输入图像是否标准切面。

因此现有技术还有待于进一步发展。

发明内容

针对上述技术问题，本发明提供了一种图像标准切面的处理方法及装置，以解决相关技术问题。

本发明实施例的第一方面，提供一种图像标准切面的处理方法，包括：

根据图像判断目标的朝向，所述朝向为预设方向，所述图像包括颅脑矢状面图；

利用目标检测模型检测所述图像中的目标区域，并对所述目标区域的清晰度评分；

根据所述目标区域的清晰度评分判断所述图像是否为标准切面；其中，所述目标区域包括鼻尖、鼻前皮肤、鼻骨、上颚、丘脑、中脑、第四脑室、小脑延髓池、颈后透明层中的多个区域或全部。

可选地，所述根据图像判断目标的朝向，所述朝向为预设方向，包括：

所述预设方向为检测所述图像中的头部位于身体的预设方向；

若所述图像的朝向不是预设方向，则将所述图像做翻转处理；

并将所述图像做截取处理，去除背景信息。

可选地，所述检测所述图像中的目标区域，并对所述目标区域的清晰度评分，包括：

检测图像中上颚、间脑以及丘脑三大结构，并为所述三大结构的清晰度评分；

根据图像中上颚、间脑以及丘脑的位置寻找鼻子区域、第四脑室及小脑延髓池区域、以及颈后透明层区域；

在所述鼻子区域中寻找鼻尖、鼻前皮肤、鼻骨并为做清晰度评分；在第四脑室及小脑延髓池区域中检测第四脑室及小脑延髓池并做清晰度评分；在颈后透明层区域中检测颈后透明层并为做清晰度评分。