本技术涉及测量点预测,特别是涉及一种胎儿超声图像生长参数测量方法、装置、设备和存储介质。
背景技术:
1、随着互联网技术的发展,对于超声图像中各结构的参数测量要求也越来越高。目前常见的自动化方法是使用分割方法分割出待测量的结构区域,再通过拟合方法获取测量线段,进而根据测量值判断是否产生异常。此外,还有通过对超声图像进行卷积处理,并利用卷积处理的结果对超声图像中各结构进行单次检测。
2、然而,现有方法存在以下两个问题。一是数据量受限,由于分割网络的训练数据需要医生人工标注,因此构建一定规模的训练数据很困难;二是测量值存在分割测量对象和从分割结构中拟合测量点两部分误差,分割不全和拟合不准会严重影响测量精度。这会导致测量点的预测准确率较低的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提升预测测量点准确率的胎儿超声图像生长参数测量方法、装置、设备和存储介质。
2、第一方面,本技术提供了一种胎儿超声图像生长参数测量方法,所述方法包括:
3、对包含目标结构的超声图像进行不同尺度的特征提取,得到多个初始特征;
4、通过像素聚合特征金字塔网络对各所述初始特征进行特征融合,得到具有不同尺度的多个融合特征;
5、针对每一尺度的所述融合特征,将感知所述目标结构的卷积模块对所述融合特征的处理结果与所述融合特征进行点乘处理,基于点乘处理的结果和检测头模块,得到所述目标结构在每一尺度下的预测测量点;所述预测测量点为不经过分割和拟合的单阶段预测测量点;
6、对所述目标结构在多个尺度下的预测测量点进行加权平均运算,得到所述目标结构的测量点在所述超声图像的定位信息,并基于所述定位信息确定所述超声图像中胎儿的生长参数值。
7、在其中一个实施例中,所述方法通过检测模型实现;所述检测模型的训练过程包括:
8、基于初始检测模型对包含生物结构的训练超声图像进行定位预测,确定所述生物结构的多个预测框;
9、基于所述生物结构的每一所述预测框和所述生物结构的真实框,确定所述初始检测模型的模型损失;
10、根据所述模型损失更新所述初始检测模型中的参数,得到训练完毕的检测模型。
11、在其中一个实施例中,所述基于初始检测模型对包含生物结构的训练超声图像进行定位预测,确定所述生物结构的多个预测框之前,包括:
12、获取针对生物结构的扫描视频流,所述扫描视频流中的每一帧图像对应所述生物结构的不同切面;
13、从所述扫描视频流中的各帧超声图像中,获取满足图像选取条件的训练超声图像;
14、确定所述训练超声图像的标注信息;所述标注信息包括所述训练超声图像中生物结构的标准测量点的坐标;
15、基于所述生物结构的标准测量点的坐标,确定所述生物结构的标准测量点之间的测量点距离;
16、基于所述测量点距离和所述标准测量点,确定所述生物结构的真实框。
17、在其中一个实施例中,所述从所述扫描视频流中的各帧超声图像中,获取满足图像选取条件的训练超声图像,包括:
18、并行检测所述扫描视频流中的各帧超声图像,从各帧超声图像中筛选出满足时空依赖关系的多个候选超声图像;
19、基于各所述候选超声图像中生物结构的位置关系和预测框的分类分数,从各所述候选超声图像中,确定出用作所述初始检测模型的训练样本的训练超声图像。
20、在其中一个实施例中,所述模型损失为组合损失;所述方法还包括:
21、获取分类损失、定位损失、热力损失以及几何损失;
22、将所述分类损失、所述定位损失、所述热力损失以及所述几何损失之间的加权求和结果确定为所述初始检测模型的模型损失。
23、在其中一个实施例中,所述定位损失的确定过程包括:
24、基于正样本分配策略从所述生物结构的多个预测框中确定正样本以及所述正样本的预测测量点;
25、基于所述正样本与所述真实框确定受限的交占比值;
26、基于所述正样本的预测测量点与所述真实框的标准测量点之间的距离,确定中心距离;
27、基于所述中心距离与外接矩形框的对角线长度之间的比值,得到比值结果;所述外接矩形框由所述真实框和所述正样本所确定的框;
28、获取所述正样本的预测测量点与所述真实框的标准测量点分别相对于所述融合特征中特征层每个元素所在网格左上角的相对位置;
29、基于所述受限的交占比值、所述中心距离、所述比值结果以及所述相对位置,确定所述定位损失。
30、在其中一个实施例中,所述几何损失的确定过程包括:
31、基于正样本分配策略从所述生物结构的多个预测框中确定正样本以及所述正样本的预测测量点;
32、获取所述正样本的预测测量点之间的第一距离以及标准测量点之间的第二距离;
33、基于所述第一距离和所述第二距离,确定所述正样本和所述标准测量点之间的长度误差;
34、使用范数方式对所述第一距离和所述第二距离进行范数处理,得到所述正样本的测量线段和真实测量线段之间的夹角;所述测量线段由测量点连接而成;
35、基于所述长度误差和所述夹角确定所述几何损失。
36、在其中一个实施例中,所述基于点乘处理的结果和检测头模块,得到所述目标结构在每一尺度下的预测测量点,包括:
37、获取每一所述融合特征和卷积模块对所述融合特征的处理结果之间进行点乘处理的多个点乘结果;
38、使用检测头模块基于每一所述点乘结果进行预测,得到所述目标结构在每一尺度下的多组测量点预测结果;
39、基于每一所述尺度下的多组测量点预测结果获取各测量点的分类分数的取值;
40、将所述分类分数的取值作为目标测量点的评估值,选取值最大的结果确定为所述目标结构在各尺度下的预测测量点。
41、第二方面,本技术提供了一种胎儿超声图像生长参数测量装置,所述装置包括:
42、特征提取模块,用于对包含目标结构的超声图像进行不同尺度的特征提取,得到多个初始特征;
43、特征融合模块,用于通过像素聚合特征金字塔网络对各所述初始特征进行特征融合,得到具有不同尺度的多个融合特征;
44、结构感知模块,用于针对每一尺度的所述融合特征,将感知所述目标结构的卷积模块对所述融合特征的处理结果与所述融合特征进行点乘处理,基于点乘处理的结果和检测头模块,得到所述目标结构在不同尺度下的预测测量点;
45、测量点定位模块,用于对所述目标结构在多个尺度下的预测测量点进行加权平均运算,得到所述目标结构的测量点在所述超声图像的定位信息,并基于所述定位信息确定所述超声图像中胎儿的生长参数值。
46、第三方面,本技术提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
47、第四方面,本技术提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
48、第五方面,本技术提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
49、上述胎儿超声图像生长参数测量方法、装置、设备和存储介质,通过对包含目标结构的超声图像进行不同尺度的特征提取,并将得到的初始特征进行特征融合,从而可以得到多个不同尺度的融合特征;通过结构感知将每一融合特征和卷积模块对融合特征的处理结果进行点乘处理,从而检测头模块可以根据多个不同尺度的融合特征对目标结构的测量点进行预测,使得目标结构的多组预测测量点为由不同尺度的融合特征所确定的预测测量点;通过对每一尺度中分类分数最高的一组预测测量点进行加权平均处理,可以综合考虑到利用多个不同尺度的融合特征各自进行测量点预测的效果,从而提升目标结构的预测测量点定位的准确性,以实现对目标结构的准确评估。