基于深度学习多尺度特征的胎儿头围测量方法

传统医学超声胎儿头围测量方法存在效率低、测量不稳定等问题。为此,提出一种医学超声胎儿头围自动测量方法。提出一种H-Unet改进模型进行医学超声胎儿头部图像分割。该过程利用Non-local模块捕获长范围依赖关系,采用空间金字塔模块获取多尺度特征信息,并提出一种改进的损失函数进行网络训练;利用边缘检测算子提取分割目标的头部轮廓;利用基于最小二乘法的椭圆拟合方法自动计算出胎儿头围值。在HC18数据集上进行测试,以头围绝对差值(A_(D))、Hausdorff距离(H_(D))、Dice系数评估该模型性能。实验结果表明:对比已有方法,该方法的上述三种指标均有提升,在胎儿头围测量上可取得满意的效果。