胎儿超声图像中标准切面自动定位方法研究

发布时间：2020-08-11 12:00

【摘要】：产前超声诊断过程中,精确地从动态超声图像中定位出标准切面对后续的生物学参数测量和诊断至关重要。传统方法是由医生进行主观定位,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的临床工作经验,结果往往存在较大的差异。因此,临床产前超声诊断亟需一种能够自动从超声动态图像中定位标准切面的方法。本论文提出基于深度卷积网络的胎儿超声标准切面自动定位框架。使用计算机自动化定位胎儿超声标准切面能够很大程度上提高产前超声诊断中的效率,缓解医生的工作压力,为超声医生在处理和分析胎儿超声图像上节省时间。本论文中提出基于深度卷积网络的方法用于实现胎儿超声标准切面自动定位。我们提出基于超声图像网络(Ultrasonic Image Networks,UInet)和基于区域搜索网络(Region Search Networks,RSN)的胎儿超声标准切面定位系统。基于UInet的方法研究目标是预裁剪后的超声标准切面图像定位,我们探究切面各个解剖学结构对卷积神经网络决策的影响;而基于RSN的方法研究目标是未裁剪的超声标准切面图像定位,我们完成更高度自动化的胎儿超声标准切面自动定位系统。前者是后者的基础,后者是前者的延续。我们将以上两种自动化定位方法的结果与超声医生手动标注的切面结果做比较,并且取得了较好的一致性。根据文献调研,本论文是在产前超声领域中首次同时对丘脑、股骨、上腹部三种切面的自动化定位进行研究。在UInet的方法中,我们将胎儿超声标准切面定位问题作为一个有监督的分类问题,监督信息来自于医生的手动标注。首先,我们手动裁剪出超声图像的关键解剖区域;然后,我们将相邻相似切面引入数据集,解决相似解剖结构干扰和相邻切面混淆的问题;最后,我们使用卷积神经网络可视化技术,对UInet的定位依据进行可视化,得到的结果与医生分析判断的解剖学区域一致。在基于RSN的方法中,RSN在深度卷积网络得到的高阶特征图上自动搜索切面的关键解剖学区域,然后完成标准切面的定位。最终,基于UInet的方法在18736张超声图像上,丘脑切面、股骨切面、上腹部切面预测结果的准确率分别达到85%、96%、92%;基于RSN的方法在1159个超声视频上,预测结果的准确率分别达到87%、91%、90%。实验结果表明,UInet方法对标准切面检测是有效的,RSN方法能准确搜索切面的关键解剖区域,并拥有良好的定位性能。
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R714.5;R445.1
【图文】：

过程图,卷积,过程,高维数据

术（Computer Vision，CV）tional Neural Networks，DCNN受大脑神经元结构启发变异而杂高维数据中提取的抽象特征医学图像领域，如在图像配准[231][32]、计算机辅助疾病诊断[33]构包括卷积层、最大值池化层、全，通过卷积操作提取特征并保

原理图,原理图,梯度

测试阶段则速度较快，在加载训练好的网络后，单张图像只需要 0.01 秒就能得到判定结果。2.4.2 梯度加权分类激活图简介2015 年，麻省理工学院计算机与人工智能实验室的 Zhou B 等人[42]提出基于CNN 的分类激活图（Class Activation Mapping，CAM）的概念。2016 年，SelvarajuR R 等人[43]在 CAM 的基础上，提出了梯度加权分类激活图（Gradient-weightedClass Activation，Grad-CAM）。相比 CAM 需要修改 CNN 结构才能使用，Grad-CAM 在任何 CNN 结构都能使用，并且引入了梯度加权，定位更加准确。下面介绍 Grad-CAM 的原理。Grad- CAM 主要使用梯度信息，观察 CNN 最后一个卷积层中神经元在网络决策中的作用。

分类过程,切面,非标准

图 2.13 一般分类过程 Positive）:指被模型预测正确的标准切面样本，如上标准切面；TN（True Negative）:指被模型预测正确非标准切面预测为股骨非标准切面；FP（False Posi标准切面样本，如丘脑非标准切面预测为丘脑标准切alse Negative）:指被模型预测错误的标准切面样本，非标准切面或其它种类切面。价指标精确率（Precision）、召回率（Recall）、准确率core）的计算公式为：P| § ￡￠ =TPTP FPTP

【相似文献】