基于深度学习的胎儿颜面部超声标准切面自动识别

在常规胎儿超声诊断过程中,精确识别出胎儿颜面部超声标准切面(FFSP)至关重要。传统方法是由医生进行主观评估,这种人工评判的方式不仅耗费时间精力,而且严重依赖操作者经验,所以结果往往不可靠。因此,临床超声诊断亟需一种FFSP自动识别方法。提出使用深度卷积网络识别FFSP,同时还分析不同深度的网络对于FFSP的识别性能。对于这些网络模型,采用不同的训练方式:随机初始化网络参数和基于Image Net预训练基础网络的迁移学习。在研究中,数据采集的是孕周20~36周胎儿颜面部超声图像。训练集包括1 037张标准切面图像(轴状切面375张,冠状切面257张,矢状切面405张)以及3 812张非标准切面图像,共计4 849张;测试集包括792张标准切面图像和1 626张非标准切面图像,共计2 418张。最后测试集实验结果显示,迁移学习的方法使得网络识别结果增加9.29%,同时当网络结构由8层增加至16层时,分类结果提升3.17%,深度网络对于FFSP分类最高正确率为94.5%,相比之前研究方法的最好结果提升3.66%,表明深度卷积网络能够有效地检测出FFSP,为临床自动FFSP检测方法打下研究基础。

基于更快速的区域卷积神经网络的胎儿头围超声图像质量控制

胎儿标准丘脑水平横切面是胎儿双顶径与头围的测量切面,而双顶径和头围这两个测量参数对于预测胎儿体重有重要的作用。临床上此切面一直由超声医生手动获取,手动获取的切面质量高度依赖超声医生的临床工作经验,不但耗时,而且容易得到图像质量较差的切面。为了解决手动获取存在的问题,提出一种基于更快速的区域卷积神经网络(faster R-CNN)的胎儿头围超声图像质量控制方法,辅助医生自动、快速和准确地获得标准丘脑水平横切面。首先,与超声专家团队制定评定协议,通过数据增强的方法,构建胎儿头围超声图像数据库;然后,通过faster R-CNN从训练数据中学习提取有识别性的特征,并利用通过联合训练和交替优化,使得区域建议网络(RPN)模块和fast R-CNN模块共享卷积层特征,构建一个完全端到端的卷积神经网络(CNN)对象检测模型,检测关键解剖结构;最后,通过检测的解剖结构结果对丘脑水平切面进行自动评分,根据评分结果进而自动判断是否是标准切面。对所采集的513张超声切面,80%的作为训练数据集,20%为测试数据集。所提出的方法能够准确地定位到丘脑水平横切面的5个解剖结构,5个解剖结构的检测平均准确度达到80.7%,且每张丘脑水平切面的检查时间大约0.27s。所提出的方法对胎儿头围超声图象进行自动化质量控制是可行的。

基于Fisher向量和混合描述符的胎盘成熟度分级

胎盘成熟度分级(PMG)对于评估胎儿生长和孕妇健康来说至关重要。目前,PMG主要依赖于临床医生的主观判断,不仅十分耗时,而且由于工作的重复性和冗余性,常会产生误判。传统机器学习中使用的手工特征提取方法,不能很好解决PMG的分级问题,因此提出从B超图像和彩色多普勒能量图像中提取深度混合描述符进行胎盘成熟度自动分级的方法。从深度卷积神经网络中提取卷积特征,并将其与手工特征结合形成混合描述符来提高模型性能。首先,将多个特征层的不同模型进行融合,从图像中获取混合描述符。同时,考虑到深度表达特征,使用迁移学习策略来增强分级性能。然后,用Fisher向量(FV)对提取的描述符进行编码。最后,使用支持向量机(SVM)分类器对胎盘成熟度进行分级。用医生标注好的数据进行测试,在基于19层网络的混合特征模型获得高达94.15%的精确度,比单一使用手工特征模型提升3.01%,比CNN特征模型提升7.35%。实验结果证明,所提方法能够有效应用于胎盘成熟度自动分级。

基于特征融合和判别式学习的胎盘成熟度自动分级

胎盘成熟度分级错误可能会导致小于胎龄儿、死产、死胎等的发生。目前,胎盘成熟度分级主要依赖于临床医生的经验和观察,主观性很强,分级准确性易受医生工作强度、工作时长和工作经验的影响。提出一种基于特征融合和判别式学习的胎盘成熟度自动分级算法。首先,对共544例的B型超声图像和彩色能量多普勒(CDE)胎盘图像,采用提取关键点、对关键点提取特征、进行融合并加以判别式特征编码的方法,形成码书,经过归一化,最后用支持向量机(SVM)进行分类,得到胎盘成熟度分级结果。在测试阶段,将胎盘成熟度测试结果与临床医生的分级结果进行对比,得到如下结果:准确率92.7%,敏感性91.1%,特异性97.6%,平均精度97.3%。结果表明,该方法对胎盘成熟度自动分级具有较高的指导意义。