产时母胎超声标准切面图像识别方法、系统、设备及介质

1.本发明涉及一种产时母胎超声标准切面图像识别方法、系统、设备及介质，属于转化医学与人工智能技术领域。


背景技术：

2.产时母胎超声检查是产妇在分娩期评估产程进展的重要步骤，是检查胎头方位和胎头相对于母亲盆骨的位置，从而评估产程进展的重要依据，可以为早期的干预和治疗提供指导。
3.在临床检查的过程中，具有丰富经验的专业临床医生利用超声设备获得包含胎头与母亲耻骨的二维超声标准切面，然后根据每个切面图像测量各种评价指标，以评估产程进展的快慢，预测难产的风险。虽然传统的超声检查方法已经取得了一定进展，但产时超声检查用到的切面图像的获取过程复杂，使用传统方式手动获取标准切面图像会面临很多问题，例如：(1)标准切面图像的获取难度大，对超声医生的临床经验依赖度极高；(2)因不同超声医生专业水平的差异，获取到的标准切面图像结果可能不同，切面图像的规范性得不到保障；(3)临床工作效率低，易使孕妇受检时间过长，引起不良反应等。
4.目前，由于具有丰富临床经验和熟练操作技巧的医生仍然较为缺乏，这一情况在欠发达地区更为严重；另一方面，产时母胎超声标准切面识别的准确性，直接影响产程进展参数的计算，进而影响产科医生的分娩决策。


技术实现要素：

5.有鉴于此，本发明提供了一种产时母胎超声标准切面图像识别方法、系统、计算机设备及存储介质，其解决了现有基于人工筛查的方法工作量较大和耗时长、以及由于高度依赖于超声医生的技术和专业水平导致不同的超声医生得出不同的质量控制结果，从而影响产时超声检查结果的准确率的技术问题。
6.本发明的第一个目的在于提供一种产时母胎超声标准切面图像识别方法。
7.本发明的第二个目的在于提供一种产时母胎超声标准切面图像识别系统。
8.本发明的第三个目的在于提供一种计算机设备。
9.本发明的第四个目的在于提供一种存储介质。
10.本发明的第一个目的可以通过采取如下技术方案达到：
11.一种产时母胎超声标准切面图像识别方法，所述方法包括：
12.获取数据集，所述数据集包括多张产时母胎超声标准切面图像和多张产时母胎超声非标准切面图像；
13.构建浅层卷积网络，所述浅层卷积网络包括输入层、多个逻辑块和多层全连接层；
14.利用数据集训练浅层卷积网络；
15.获取待识别产时母胎超声图像；
16.将待识别图像输入训练好的浅层卷积网络，以判断待识别图像是否标准，并输出
判断结果。
17.进一步的，逻辑块为三个，分别为第一逻辑块、第二逻辑块和第三逻辑块；
18.全连接层为三层，分别为第一全连接层、第二全连接层、第三全连接层；
19.所述构建浅层卷积网络，具体包括：
20.将输入层、第一逻辑块、第二逻辑块、第三逻辑块、第一全连接层、第二全连接层、第三全连接层依次连接。
21.进一步的，所述第一逻辑块包括第一卷积层、第二卷积层和第一下采样层，所述第一卷积层、第二卷积层、第一下采样层依次连接；
22.所述第二逻辑块包括第三卷积层、第四卷积层和第二下采样层，所述第三卷积层、第四卷积层、第二下采样层依次连接；
23.所述第三逻辑块包括第五卷积层、第六卷积层和第三下采样层，所述第五卷积层、第六卷积层、第三下采样层依次连接。
24.进一步的，六层卷积层的激活函数为带泄露线性整流函数，六层卷积层的卷积核大小为3
×
3；
25.所述第一卷积层、第二卷积层的卷积核数量为32；
26.所述第三卷积层、第四卷积层的卷积核数量为64；
27.所述第五卷积层、第六卷积层的卷积核数量为128。
28.进一步的，六层卷积层采用same方式填充，六层卷积层的步长为1。
29.进一步的，三层下采样层采用最大池化作为池化方式，三层下采样层的下采样因子为2
×
2，三层下采样层的步长为2。
30.进一步的，每层全连接层对前一层做一次非线性转换，并接入随机失活操作。
31.本发明的第二个目的可以通过采取如下技术方案达到：
32.一种产时母胎超声标准切面图像识别系统，所述系统包括：
33.第一获取单元，用于获取数据集，所述数据集包括多张产时母胎超声标准切面图像和多张产时母胎超声非标准切面图像；
34.构建单元，用于构建浅层卷积网络，所述浅层卷积网络包括输入层、多个逻辑块和多层全连接层；
35.训练单元，用于利用数据集训练浅层卷积网络；
36.第二获取单元，用于获取待识别产时母胎超声图像；
37.识别与判断单元，用于将待识别图像输入训练好的浅层卷积网络，以判断待识别图像是否标准，并输出判断结果。
38.本发明的第三个目的可以通过采取如下技术方案达到：
39.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的产时母胎超声标准切面图像识别方法。
40.本发明的第四个目的可以通过采取如下技术方案达到：
41.一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的产时母胎超声标准切面图像识别方法。
42.本发明相对于现有技术具有如下的有益效果：
43.1、本发明通过采用人工智能技术，实现了产时母胎超声标准切面图像的全自动化
识别，进而能够替代超声医师完成产时的图像切面质控，从而解决了人工质控工作量较大、耗时长的技术问题；
44.2、本发明构建的浅层卷积网络，能够解决现有基于人工筛查的方法由于高度依赖于医生的技术和专业水平、不同的医生水平不一，导致不同的医生得出不同的质量控制结果，从而影响超声检查结果的准确率的技术问题；
45.3、本发明构建的浅层卷积网络，能够提取体现母胎结构的高维特征，更加适用于产时母胎超声标准切面图像的识别，从而对产时母胎超声标准切面图像的识别更加准确和更加快速。
附图说明
46.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
47.图1为本发明实施例1的产时母胎超声标准切面图像识别方法的具体流程图。
48.图2为本发明实施例1的产时母胎超声标准切面图像识别方法的简要流程图。
49.图3为本发明实施例1的胎头-耻骨联合图像的示例图。
50.图4为本发明实施例1的胎头图像的示例图。
51.图5为本发明实施例1的耻骨图像的示例图。
52.图6为本发明实施例1的无目标图像的示例图。
53.图7为本发明实施例2的产时母胎超声标准切面图像识别系统的结构框图。
54.图8为本发明实施例3的计算机设备的结构框图。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
56.实施例1：
57.如图1和图2所示，本实施例提供了一种产时母胎超声标准切面图像识别方法，该方法包括以下步骤：
58.s101、获取数据集。
59.本步骤中，数据集为产时母胎超声图像数据集，其中：产时母胎超声图像数据集包括多张产时母胎超声标准切面图像和多张产时母胎超声非标准切面图像，多张产时母胎超声标准切面图像和多张产时母胎超声非标准切面图像从多个产时母胎超声视频中提取得到；产时母胎超声标准切面图像，如图3所示；产时母胎超声非标准切面图像可参考图4～图6。
60.具体地，在分娩过程中，通过经会阴超声检查，获得产时母胎超声视频；在提取过程中，以每10帧为间隔的方式提取产时母胎超声视频中的图像；产时母胎超声标准切面图
像和产时母胎超声非标准切面图像均称为产时母胎超声图像。
61.s102、构建浅层卷积网络。
62.具体地，浅层卷积网络包括输入层、三个逻辑块和三层全连接层。
63.进一步地，三个逻辑块分别为第一逻辑块、第二逻辑块和第三逻辑块，三层全连接层分别为第一全连接层、第二全连接层、第三全连接层；本步骤中，构建浅层卷积网络，具体为：将输入层、第一逻辑块、第二逻辑块、第三逻辑块、第一全连接层、第二全连接层、第三全连接层依次连接。
64.进一步地，第一逻辑块包括第一卷积层、第二卷积层和第一下采样层，第一卷积层、第二卷积层、第一下采样层依次连接；第二逻辑块包括第三卷积层、第四卷积层和第二下采样层，第三卷积层、第四卷积层、第二下采样层依次连接；第三逻辑块包括第五卷积层、第六卷积层和第三下采样层，第五卷积层、第六卷积层、第三下采样层依次连接。
65.本实施例中，浅层卷积网络的具体结构，如下：
66.第一层为输入层，其输入大小为100
×
100
×
3的图像。
67.第二层为第一卷积层，其接收输入层的图像；在本层中，卷积核的大小为3
×
3，步长为1，卷积核数量为32，采用same方式填充，采用带泄露线性整流函数作为激活函数，最终输出大小为100
×
100
×
32的矩阵。
68.第三层为第二卷积层，其接收第二层输出大小为100
×
100
×
32的矩阵；在本层中，卷积核的大小为3
×
3，步长为1，卷积核数量为32，采用same方式填充，采用带泄露线性整流函数作为激活函数，最终输出大小为100
×
100
×
32的矩阵。
69.第四层为第一下采样层，其接收第三层输出大小为100
×
100
×
32的矩阵；在本层中，池化方式为最大池化，下采样因子为2
×
2，步长为2，最终输出大小为50
×
50
×
32的矩阵。
70.第五层为第三卷积层，其接收第四层输出大小为50
×
50
×
32的矩阵；在本层中，卷积核大小为3
×
3，步长为1，卷积核数量为64，采用same方式填充，采用带泄露线性整流函数作为激活函数，最终输出大小为50
×
50
×
64的矩阵。
71.第六层为第四卷积层，其接收第五层输出大小为50
×
50
×
64的矩阵；在本层中，卷积核大小为3
×
3，步长为1，卷积核数量为64，采用same方式填充，采用带泄露线性整流函数作为激活函数，最终输出大小为50
×
50
×
64的矩阵。
72.第七层为第二下采样层，其接收第六层输出大小为50
×
50
×
64的矩阵；在本层中，池化方式为最大池化，下采样因子为2
×
2，步长为2，最终输出大小为25
×
25
×
64的矩阵。
73.第八层为第五卷积层，其接收第七层输出大小为25
×
25
×
64的矩阵；在本层中，卷积核的大小为3
×
3，步长为1，卷积核数量为128，采用same方式填充，采用带泄露线性整流函数作为激活函数，最终输出大小为25
×
25
×
128的矩阵。
74.第九层为第六卷积层，其接收第八层输出大小为25
×
25
×
128的矩阵；在本层中，卷积核的大小为3
×
3，步长为1，卷积核数量为128，采用same方式填充，采用带泄露线性整流函数作为激活函数，最终输出大小为25
×
25
×
128的矩阵。
75.第十层为第三下采样层，其接收第九层输出大小为25
×
25
×
128的矩阵；在本层中，池化方式为最大池化，下采样因子为2
×
2，步长为2，最终输出大小为12
×
12
×
128的矩阵。
76.第十一层为第一全连接层，其接收第十层输出大小为12
×
12
×
128的特征矩阵；在本层中，输出节点个数为1000，并对第三下采样层做一次非线性转换，以得到第一特征向量，后接入随机失活操作，防止过拟合。
77.第十二层为第二全连接层，其接收第十一层输出大小为1000的特征矩阵；在本层中，输出节点个数为500，并对第一全连接层做一次非线性转换，以得到第二特征向量，后接入随机失活操作，防止过拟合。
78.第十三层为第三全连接层，其接收第十二层输出大小为500的特征矩阵；在本层中，输出节点个数为2，并对第二全连接层做一次非线性转换，以得到第三特征向量，后接入随机失活操作，防止过拟合。
79.s103、利用数据集训练浅层卷积网络。
80.在本步骤之前，将步骤s101的数据集以9：1的比例划分为训练集和测试集，并将训练集发送给超声医师进行人工数据标注，得到人工数据标注结果数据，并将人工数据标注结果数据作为标注后的训练集，标注后的训练集中的每张产时母胎超声图像均对应一个人工数据标注结果。
81.s1031、对标注后的训练集进行数据增强，以得到数据增强后的训练集。
82.s1032、对数据增强后的训练集先后进行预处理，以得到预处理后的训练集。
83.步骤s1032中，预处理包括标准化处理和归一化处理。
84.s1033、将预处理后的训练集中的产时母胎超声图像输入浅层卷积网络中，以获取对应的推理输出结果，将该推理输出结果和人工数据标注后的该产时母胎超声图像一并输入浅层卷积网络的损失函数中，以获取损失值。
85.步骤s1033中，损失函数为分类交叉熵函数。
86.s1034、使用自适应矩估计优化器和该损失值对浅层卷积网络的损失函数进行优化，以迭代更新浅层卷积网络中的参数。
87.重复执行步骤s1033和步骤s1034，直到将浅层卷积网络收敛到最佳状态为止，从而得到训练好的浅层卷积网络。
88.本实施例中，利用测试集对训练好的浅层卷积网络进行检测，得到检测结果；在检测之前，将测试集发送给超声医师进行人工数据标注，得到标注后的测试集，标注后的测试集，用于比较检测结果的准确率；使用准确率作为准则来评价训练好的浅层卷积网络的检测结果，最终准确率高达92.1％，该准确率能够满足目前临床对于产时母胎超声标准切面图像的质控需求；其中：测试集包括749张产时母胎超声标准切面图像和497张产时母胎超声非标准切面图像。
89.s104、获取待识别产时母胎超声图像。
90.本步骤参考步骤s101，获取待识别产时母胎超声图像。
91.s105、将待识别产时母胎超声图像输入训练好的浅层卷积网络，以判断待识别产时母胎超声图像是否标准，并输出判断结果。
92.本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
93.应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实
现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
94.实施例2：
95.如图7所示，本实施例提供了一种产时母胎超声标准切面图像识别系统，该系统包括第一获取单元701、构建单元702、训练单元703、第二获取单元704和识别与判断单元705，各个单元的具体功能如下：
96.第一获取单元701，用于获取数据集，所述数据集包括多张产时母胎超声标准切面图像和多张产时母胎超声非标准切面图像；
97.构建单元702，用于构建浅层卷积网络，所述浅层卷积网络包括输入层、多个逻辑块和多层全连接层；
98.训练单元703，用于利用数据集训练浅层卷积网络；
99.第二获取单元703，用于获取待识别产时母胎超声图像；
100.识别与判断单元705，用于将待识别图像输入训练好的浅层卷积网络，以判断待识别图像是否标准，并输出判断结果。
101.实施例3：
102.如图8所示，本实施例提供了一种计算机设备，其包括通过系统总线801连接的处理器802、存储器、输入装置803、显示装置804和网络接口805。其中，处理器802用于提供计算和控制能力，存储器包括非易失性存储介质806和内存储器807，该非易失性存储介质806存储有操作系统、计算机程序和数据库，该内存储器807为非易失性存储介质806中的操作系统和计算机程序的运行提供环境，计算机程序被处理器802执行时，实现上述实施例1的产时母胎超声标准切面图像识别方法，如下：
103.获取数据集，所述数据集包括多张产时母胎超声标准切面图像和多张产时母胎超声非标准切面图像；
104.构建浅层卷积网络，所述浅层卷积网络包括输入层、多个逻辑块和多层全连接层；
105.利用数据集训练浅层卷积网络；
106.获取待识别产时母胎超声图像；
107.将待识别图像输入训练好的浅层卷积网络，以判断待识别图像是否标准，并输出判断结果。
108.实施例4：
109.本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的产时母胎超声标准切面图像识别方法，如下：
110.获取数据集，所述数据集包括多张产时母胎超声标准切面图像和多张产时母胎超声非标准切面图像；
111.构建浅层卷积网络，所述浅层卷积网络包括输入层、多个逻辑块和多层全连接层；
112.利用数据集训练浅层卷积网络；
113.获取待识别产时母胎超声图像；
114.将待识别图像输入训练好的浅层卷积网络，以判断待识别图像是否标准，并输出判断结果。
115.需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
116.在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
117.上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如java、python、c++，还包括常规的过程式程序设计语言—诸如c语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
118.综上所述，本发明解决了现有基于人工筛查的方法工作量较大和耗时长、以及由于高度依赖于超声医生的技术和专业水平导致不同的超声医生得出不同的质量控制结果，从而影响产时超声检查结果的准确率的技术问题。
119.以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。