基于深度学习的胎儿颜面部超声标准切面自动识别

发布时间：2018-03-19 05:21

  本文选题：胎儿颜面部标准切面识别　切入点：超声图像　出处：《中国生物医学工程学报》2017年03期 　论文类型：期刊论文

【摘要】：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。
[Abstract]:In the conventional fetal ultrasound diagnosis, accurate identification of fetal facial ultrasonic standard section (FFSP) is very important. The traditional method is a subjective assessment by a doctor, the artificial evaluation mode is not only a waste of time and energy, and depends heavily on the experience of the operator, so the results are not reliable. Therefore, need a FFSP automatic ultrasonic diagnosis recognition method. Proposed recognition convolutional neural networks FFSP, also analyzed the different depth of the network for the recognition performance of FFSP. The network model, using different training methods: random initial network parameters and learning transfer Image Net pre training based on network. In the study, data collection is 20~36 weeks of gestation the fetal facial images. The training set includes 1037 standard plane image (axial section 375, coronal sagittal section 257, 405) and 3812 non 鏍囧噯鍒囬潰鍥惧儚,鍏辫��4 849寮，

本文编号：1632997