一种智能获取胎儿颜面部骨性结构参数的方法及终端设备与流程

1.本发明涉及医疗参数获取技术领域，尤其涉及一种智能获取胎儿颜面部骨性结构参数的方法及终端设备。


背景技术：

2.染色体在形态结构或数量上的异常被称为染色体异常，由染色体异常引起的疾病为染色体病，染色体病在临床上可造成流产、先天愚型、先天多发性极性以及癌肿等。多种染色体异常的胎儿会出现颜面部发育异常，多数较细微，如：眼距增宽、眼球径线小、鼻骨塌陷、短小或缺如，前额隆起或低平、下颌小等。目前主要依靠产前超声进行胎儿结构性发育异常筛查，进而诊断是否多种染色体异常。现有方法为：通过胎儿颜面部正中矢状切面和双眼眶横切面可以对鼻骨、眼球、前额鼻骨角和下颌角进行测量，来判断是否存在多种染色体异常。然而，现阶段依靠临床超声医生的经验进行胎儿颜面部正中矢状切面与双眼眶横切面，并手动进行测量会出现如下问题：
3.1、颜面部的骨性结构异常在超声图像上表现不明显，多数被医生忽视，即使医生注意到这些细小变化也缺乏正常值可以对照，所以仅靠医生主观去判断胎儿颜面部的骨性结构的异常漏诊率较高；
4.2、虽然超声通过胎儿颜面部正中矢状切面和双眼眶横切面可以对鼻骨、眼球、前额鼻骨角和下颌角进行测量，但这种方式不仅费时难以广泛实施，且测量时带有主观偏差。
5.因此，现有技术还有待于改进和发展。


技术实现要素：

6.鉴于上述现有技术的不足，本发明的目的在于提供一种智能获取胎儿颜面部骨性结构参数的方法及终端设备，旨在解决现有技术依赖医生经验获取的胎儿颜面部骨性结构参数不准确以及费时的问题。
7.本发明的技术方案如下：
8.一种智能获取胎儿颜面部骨性结构参数的方法，其中，包括步骤：
9.获取待分析胎儿超声数据，所述待分析胎儿超声数据包括胎儿颜面部正中矢状切面图像和双眼框横切面图像；
10.通过深度学习算法判断所述胎儿颜面部正中矢状切面图像和双眼框横切面图像是否为标准切面图像，并从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像；
11.通过自动分割算法对所述标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像进行自动分割，得到分割后骨性结构图像；
12.对分割后骨性结构图像进行特征提取处理，得到对应骨性结构的关键线和关键点；
13.根据所述骨性结构的关键线和关键点，并结合骨性结构参数的测量值定义，计算
得到胎儿颜面部骨性结构参数。
14.所述智能获取胎儿颜面部骨性结构参数的方法，其中，获取待分析的胎儿超声数据的步骤包括：
15.通过二维超声探头向目标胎儿发射超声波，接收到目标的超声回波形成的超声数据，即得到胎儿超声数据。
16.所述智能获取胎儿颜面部骨性结构参数的方法，其中，所述标准胎儿颜面部正中矢状切面图像的骨性结构特征包括：前额、额骨、鼻、鼻骨、上下唇和下颌；所述标准双眼框横切面图像的骨性结构特征包括：类圆形眼球，晶体和鼻骨。
17.所述智能获取胎儿颜面部骨性结构参数的方法，其特征在于，通过深度学习算法判断所述胎儿颜面部正中矢状切面图像和双眼框横切面图像是否为标准切面图像，并从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像的步骤包括：
18.收集已分类胎儿超声数据，所述已分类胎儿超声数据包括标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像，次标准胎儿颜面部正中矢状切面图像和次标准双眼框横切面图像，非标准胎儿颜面部正中矢状切面图像和非标准双眼框横切面图像；
19.设计卷积分类回归神经网络，并采用所述已分类胎儿超声数据对所述卷积分类回归神经网络进行训练，得到图像回归网络模型；
20.将待分析胎儿超声数据输入所述回归网络模型中，得到所述待分析胎儿超声数据为标准切面图像的概率值；
21.若所述待分析胎儿超声数据为标准切面图像的概率值大于等于预设阈值，则从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像。
22.所述智能获取胎儿颜面部骨性结构参数的方法，其中，通过深度学习算法判断所述胎儿颜面部正中矢状切面图像和双眼框横切面图像是否为标准切面图像，并从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像的步骤包括：
23.收集胎儿超声数据，所述胎儿超声数据包括标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像；
24.对标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像中的骨性结构特征进行标注，得到标注切面图像；
25.采用所述标注切面图像对预设分类网络进行训练，得到骨性结构定位分类网络；
26.将待分析胎儿超声数据输入所述骨性结构定位分类网络中，得到每张图像中所包含骨性结构特征的概率；
27.根据公式计算得到待分析胎儿超声数据为标准切面图像的概率，其中，i∈(1,n)，n为骨性结构特征的数量，wi为第i个标准骨性结构特征权重，人为设定，fscorei为第i个标准骨性结构特征的概率；
28.若所述待分析胎儿超声数据为标准切面图像的概率值大于等于预设阈值，则从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像。
29.所述智能获取胎儿颜面部骨性结构参数的方法，其中，所述标准骨性结构特征权重如下：鼻骨＝0.175，额骨＝0.175，前额＝0.175，鼻＝0.175，上唇＝0.1，下唇＝0.1，下颌＝0.1，眼球＝0.5，晶体＝0.2，鼻骨＝0.3。
30.所述智能获取胎儿颜面部骨性结构参数的方法，其中，所述骨性结构的关键线包括鼻骨线、额骨线、上颚骨线、两眼球的横径及前后径：所述骨性结构的关键点包括上嘴唇点、下嘴唇点、颏尖点。
31.所述智能获取胎儿颜面部骨性结构参数的方法，其中，所述胎儿颜面部骨性结构参数包括：下颌角、鼻骨前额角、额骨曲率、鼻骨长度、双眼间距、眼球横径以及眼球前后径。
32.一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明所述智能获取胎儿颜面部骨性结构参数的方法的步骤。
33.一种终端设备，其中，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；所述通信总线实现处理器和存储器之间的连接通信；所述处理器执行所述计算机可读程序时实现如本发明所述智能获取胎儿颜面部骨性结构参数的方法的步骤。
34.有益效果：本发明提供了一种智能获取胎儿颜面部骨性结构参数的方法，首先通过深度学习算法从待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像；然后通过自动分割算法对所述标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像进行自动分割，得到分割后骨性结构图像；最后对分割后骨性结构图像进行特征提取处理，得到对应骨性结构的关键线和关键点，并根据所述骨性结构的关键线和关键点，结合骨性结构参数的测量值定义，计算得到胎儿颜面部骨性结构参数。本发明通过人工智能技术获取得到胎儿颜面部骨性结构参数，其获取的参数准确且高效，有效解决了现有医生依赖经验和主观判断获取参数的不准确性以及费时等问题，实现胎儿颜面部骨性结构参数的标准化、操作简单化，便于将胎儿颜面部异常的筛查做到常规化。
附图说明
35.图1为本发明一种智能获取胎儿颜面部骨性结构参数的方法较佳实施例的流程图。
36.图2为本发明标准胎儿颜面部正中矢状切面图像。
37.图3为本发明标准双眼框横切面图像。
38.图4为颜面部正中矢状面胎儿脑部分割图像。
39.图5为颜面部正中矢状面胎儿下颌骨分割图像。
40.图6为颜面部正中矢状面胎儿额骨分割图像。
41.图7为颜面部正中矢状面胎儿鼻骨分割图像。
42.图8为双眼球横切面标准切面眼球分割图像。
43.图9为双眼球横切面标准切面鼻骨分割图像。
44.图10为鼻骨前额角的测量示意图。
45.图11为下颌角的测量示意图。
46.图12为鼻骨长度的测量示意图。
47.图13为双眼间距、眼球横径、前后径的测量示意图。
48.图14为本发明一种终端设备的原理框图。
具体实施方式
49.本发明提供一种智能获取胎儿颜面部骨性结构参数的方法及终端设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
50.本发明提供了一种智能获取胎儿颜面部骨性结构参数的方法，如图1所示，其包括步骤：
51.s10、获取待分析胎儿超声数据，所述待分析胎儿超声数据包括胎儿颜面部正中矢状切面图像和双眼框横切面图像；
52.s20、通过深度学习算法判断所述胎儿颜面部正中矢状切面图像和双眼框横切面图像是否为标准切面图像，并从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像；
53.s30、通过自动分割算法对所述标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像进行自动分割，得到分割后骨性结构图像；
54.s40、对分割后骨性结构图像进行特征提取处理，得到对应骨性结构的关键线和关键点；
55.s50、根据所述骨性结构的关键线和关键点，并结合骨性结构参数的测量值定义，计算得到胎儿颜面部骨性结构参数。
56.本发明通过人工智能技术获取得到胎儿颜面部骨性结构参数，其获取的参数准确且获取方法高效，有效解决了现有医生依赖经验和主观判断获取参数的不准确性以及费时等问题，实现胎儿颜面部骨性结构参数的标准化、操作简单化，便于将胎儿颜面部异常的筛查做到常规化。
57.在一些实施方式中，通过二维超声探头向目标胎儿发射超声波，接收到目标的超声回波形成的超声数据，即得到胎儿超声数据。本实施例中，所述胎儿超声数据为图像数据，所述胎儿超声数据包括胎儿颜面部正中矢状切面图像和双眼框横切面图像。具体的，所述胎儿颜面部正中矢状切面图像可分为如图2所示的标准胎儿颜面部正中矢状切面图像，次标准胎儿颜面部正中矢状切面图像和非标准胎儿颜面部正中矢状切面图像；所述双眼框横切面图像包括如图3所示的标准双眼框横切面图像、次标准双眼框横切面图像和非标准双眼框横切面图像。如图2所示，所述标准胎儿颜面部正中矢状切面图像的骨性结构特征包括前额、额骨、鼻、鼻骨、上下唇和下颌；如图3所示，所述标准双眼框横切面图像的骨性结构特征包括类圆形眼球，晶体和鼻骨。
58.也就是说，若所述胎儿颜面部正中矢状切面图像包含前额、额骨、鼻、鼻骨、上下唇和下颌所有这些骨性结构特征，则可将所述胎儿颜面部正中矢状切面图像划分为标准胎儿颜面部正中矢状切面图像；若所述胎儿颜面部正中矢状切面图像包含前额、额骨、鼻、鼻骨、上下唇和下颌中的部分特征，则可将所述胎儿颜面部正中矢状切面图像划分为次标准胎儿颜面部正中矢状切面图像；若所述胎儿颜面部正中矢状切面图像不包含前额、额骨、鼻、鼻骨、上下唇和下颌这些骨性结构特征，则可将所述胎儿颜面部正中矢状切面图像划分为非
标准胎儿颜面部正中矢状切面图像。同样的，若所述双眼框横切面图像包含类圆形眼球，晶体和鼻骨所有这些骨性结构特征，则可将所述双眼框横切面图像划分为标准双眼框横切面图像；若所述双眼框横切面图像包含类圆形眼球，晶体和鼻骨中的部分特征，则可将所述双眼框横切面图像划分为次标准双眼框横切面图像；若所述双眼框横切面图像不包含类圆形眼球，晶体和鼻骨这些骨性结构特征，则可将所述双眼框横切面图像划分为非标准双眼框横切面图像。
59.在一些实施方式中，提供一种通过深度学习算法判断所述胎儿颜面部正中矢状切面图像和双眼框横切面图像是否为标准切面图像，并从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像的方法，其包括步骤：
60.收集已分类胎儿超声数据，所述已分类胎儿超声数据包括标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像，次标准胎儿颜面部正中矢状切面图像和次标准双眼框横切面图像，非标准胎儿颜面部正中矢状切面图像和非标准双眼框横切面图像；本实施例对不同的胎儿超声数据数据进行评分，本实施例中标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像评分为1，次标准胎儿颜面部正中矢状切面图像和次标准双眼框横切面图像评分为0.85，非标准胎儿颜面部正中矢状切面图像和非标准双眼框横切面图像评分为0；
61.设计卷积分类回归神经网络，并采用所述已分类胎儿超声数据对所述卷积分类回归神经网络进行训练，得到图像回归网络模型；本实施例中，所述卷积分类回归神经网络包括但不限于分类网络、卷积神经网络、自注意力网络、递归神经网络等深度学习方式，同时也不限于传统的机器学习方法，如支持向量机、随机森林等；
62.将待分析胎儿超声数据输入所述回归网络模型中，得到所述待分析胎儿超声数据为标准切面图像的概率值；
63.若所述待分析胎儿超声数据为标准切面图像的概率值大于等于预设阈值，则从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像。作为举例，所述预设阈值threshold取0.95，则可将当前待分析胎儿超声数据判定为标准切面图像，即可从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像。
64.本实施例通过对输入的待分析胎儿超声数据进行标准图像算法分析，得到标准切面程度大于等于预设阈值的图像以作为标准图像库，并将标准图像库中概率最大的显示在屏幕的某个地方，使用者可通过微调模块，将图像调整到医生满意为止。
65.在一些实施方式中，还提供另一种通过深度学习算法判断所述胎儿颜面部正中矢状切面图像和双眼框横切面图像是否为标准切面图像，并从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像的方法，其包括步骤：
66.收集胎儿超声数据，所述胎儿超声数据包括标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像；对标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像中的骨性结构特征进行标注，得到标注切面图像；采用所述标注切面图像对预设分类网络进行训练，得到骨性结构定位分类网络；将待分析胎儿超声数据输入所述骨性结构定位分类网络中，得到每张图像中所包含骨性结构特征的概率；根据公式计算得到待分析胎儿超声数据为标准切面图像的概率，其中，
i∈(1,n)，n为骨性结构特征的数量，wi为第i个标准骨性结构特征权重，人为设定，fscorei为第i个标准骨性结构特征的概率；若所述待分析胎儿超声数据为标准切面图像的概率值大于等于预设阈值，则从所述待分析胎儿超声数据中筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像。
67.在本实施例中，所述标准骨性结构特征权重如下：鼻骨＝0.175，额骨＝0.175，前额＝0.175，鼻＝0.175，上唇＝0.1，下唇＝0.1，下颌＝0.1，眼球＝0.5，晶体＝0.2，鼻骨＝0.3。本实施例同样可以从所述待分析胎儿超声数据中自动筛选得到标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像。
68.在一些实施方式中，通过自动分割算法对所述标准胎儿颜面部正中矢状切面图像和标准双眼框横切面图像进行自动分割，得到分割后骨性结构图像；对分割后骨性结构图像进行特征提取处理，得到对应骨性结构的关键线和关键点。具体来讲，本实施例所述的自动分割算法使用的是深度学习网络，如常用的u-net，deeplab。分割后骨性结构图像包括如图4所示的颜面部正中矢状面胎儿脑部分割图像，如图5所示的颜面部正中矢状面胎儿下颌骨分割图像，如图6所示的颜面部正中矢状面胎儿额骨分割图像，如图7所示的颜面部正中矢状面胎儿鼻骨分割图像，如图8所示的双眼球横切面标准切面眼球分割图像，如图9所示的双眼球横切面标准切面鼻骨分割图像。
69.将分割后骨性结构图像进行特征提取处理，得到对应骨性结构的关键线和关键点，作为举例，通过骨骼化算法提取相对应骨性结构的关键线，通过传统的最大凸角点算法得到骨性结构的关键点。本实施例中，所述骨性结构的关键线包括鼻骨线、额骨线、上颚骨线、两眼球的横径及前后径：所述骨性结构的关键点包括上嘴唇点、下嘴唇点、颏尖点。
70.在一些实施方式中，所述胎儿颜面部骨性结构参数包括：下颌角、鼻骨前额角、额骨曲率、鼻骨长度、双眼间距、眼球横径以及眼球前后径。其中，
71.鼻骨前额角的测量值定义为：鼻骨与前额骨汇合处沿鼻骨与前额骨走向的两条线夹角，如图10所示。下颌角的测量值定义为：取正中矢状切面，于鼻根处垂直前额额骨做一条直线；在下颌最突出点与最突出的上唇或下唇之间连线，两线之间的夹角，如图11所示。额骨曲率的测量值定义为：取正中矢状切面，前额骨拟合圆弧的圆的半径之倒数。鼻骨长度的测量值定义为：取正中矢状切面，测量鼻骨两端之间的长度，如图12所示。双眼间距的测量值定义为：取双眼球标准横切面，测量双眼内侧之间最短距离，如图13所示。眼球横径的测量值定义为：取双眼球标准横切面，测量左右眼球的横径，如图13所示。眼球前后径的测量值定义为：取双眼球标准横切面，测量左右眼球的前后径，如图13所示。
72.进一步，本实施例还可将测量得到的胎儿颜面部骨性结构参数保存到数据库，并生成测量参数发育曲线，用来追踪各参数的变化。
73.在一些实施方式中，还提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明所述智能获取胎儿颜面部骨性结构参数的方法的步骤。
74.本技术还提供了一种终端设备，如图14所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(communications interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传
输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中所述智能获取胎儿颜面部骨性结构参数的方法的步骤。
75.此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
76.存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
77.存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
78.此外，存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
79.应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。