一种超声图像中胎儿腹部皮下软组织厚度自动测量方法

本发明涉及深度学习领域，尤其涉及一种超声图像中胎儿腹部皮下软组织厚度自动测量方法。

背景技术：

1、宫内胎儿的生长是一个复杂的过程。在文献[谢幸，孔北华，段涛.妇产科学[m].第9版,人民卫生出版社,2019:53.]、[pascal a.,govaert p.,oostra a.,naulaers g.,ortibus e.,van den broeck c..neurodevelopmental outcome in very preterm andvery-low-birthweight infants born over the past decade:ameta-analyticreview.developmental medicine&child neurology,2018,60(4):342-355.]中，指出宫内营养失衡(包括宫内营养不良和营养过剩)会导致胎儿发育不良。传统的检查很难高精度地直接获得宫内胎儿的营养状况。因此，在文献[宋清芸,罗红.浅谈应用超声指标评估胎儿生长发育的重要意义[j].中华医学超声杂志(电子版),2021,18(08):733-736.]中，指出超声成像因其无创、无放射性和易于执行的优点，已被视为评估胎儿生长的重要临床方法。在先前的研究[鹿卿，孙颖.超声测量胎儿腹部皮下组织厚度预测胎儿体重的临床观察[j].中国实用妇科与产科杂志.2007(06):450-451.]、[n.,a..can fetal abdominalvisceral adipose tissue and subcutaneous fat thickness be used for correctestimation of fetal weight？a preliminary study.journal of obstetrics andgynaecology,2019,39(5):594-600.]、[khalifa e.a.,hassanein s.a.,eidh.h..ultrasound measurement of fetal abdominal subcutaneous tissue thicknessas a predictor of large versus small fetuses for gestational age.egyptianjournal of radiology and nuclear medicine,2019,50(1):80.]中，发现胎儿腹部皮下软组织厚度(fetal abdomen subcutaneous soft tissue thickness，fasstt)与新生儿的实际出生体重(actual birth weight，abw)显著相关。因此，超声图像中fasstt的测量对评估胎儿营养状况具有重要意义。

2、超声图像中fasstt的常规操作包括分离胎儿腹部皮下软组织区域和手动定位该区域的最厚部分，在那里可以测量fasstt。然而，胎儿腹部的皮下软组织区域仅占整个腹围超声图像的约10％，并且通常为4-7mm厚。在具有96dpi分辨率的超声图像中，仅3-4个像素点的手动注释误差将导致1mm的误差，即整个厚度的14.3％-25％。目前的方法在很大程度上取决于医生的经验；因此，超声图像中胎儿皮下软组织的自动分割及其厚度的精确测量具有重要意义。

3、近年来，深度学习方法，特别是卷积神经网络(convolutional neural network,cnn)，已成功应用于胎儿生物测量。在文献[oghli m.g.,shabanzadeh a.,moradi s.,sirjani n.,gerami r.,ghaderi p.,taheri m.s.,shiri i.,arabi h.,zaidih..automatic fetal biometry prediction using a novel deep convolutionalnetwork architecture.physica medica,2021,88:127-137.]中，指出目前的进展主要集中在胎儿头围、双顶径、股骨长度和腹围的自动测量。fasstt测量仍缺乏有效的自动解决方案。原因有两方面：首先，由于胎儿器官和组织的复杂性，在皮下软组织区域无法观察到明显的边界；其次，fasstt的自动测量依赖于精确的组织分割，其中组织区域(正样本)的像素远小于背景区域(负样本)，并且主流的模型对容易被分类的像素(正样本或负样本)和不易被分类的像素给予同等的权重，进而无法对难分样本给予较高关注，从而导致样本不平衡问题，降低分割性能。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提供一种超声图像中胎儿腹部皮下软组织厚度自动测量方法。

2、本发明的目的是通过以下技术方案来实现的：一种超声图像中胎儿腹部皮下软组织厚度自动测量方法，包括如下步骤：

3、(1)对胎儿腹围超声图像中需要测量的腹部皮下软组织区域，使用vgg-seunet网络对其进行特征提取，通过像素分类器对图像中的每一个像素点进行分类，得到胎儿皮下软组织分割结果；

4、(2)将dice_loss损失函数和focal_loss损失函数结合，构建df_loss损失函数以指导vgg-seunet网络的训练；通过df_loss损失函数进行评估预测组织区域与真实组织区域的交集与两个区域的并集之间的比例，并为图像中易分类的像素点和难分类的像素点分配不同的权重，得到胎儿皮下软组织分割结果；

5、(3)将步骤(1)、步骤(2)得到的胎儿皮下软组织分割结果转换为二值图，所述二值图中，胎儿皮下软组织分割结果的组织区域用1表示，即非零像素点，背景区域用0表示，即零像素点；然后通过距离变换算法使用集合存储每个非零像素点与所有零像素点之间的最小距离，并从集合中检索距离最大值；将检索到的最大距离对应的像素点视为最大内切圆的圆心，以最大距离为半径绘制最大内切圆，其中最大内切圆的直径为胎儿皮下软组织厚度；

6、(4)将所述胎儿皮下软组织厚度的像素点单位转换为厘米单位，得到符合临床需求的胎儿皮下软组织厚度。

7、进一步地，所述步骤(1)包括如下子步骤：

8、(1.1)采集胎儿腹围超声成像数据，即胎儿腹围超声图像，将采集到的胎儿腹围超声成像数据作为图像数据集；

9、(1.2)将所述图像数据集进行归一化，并将图像数据集中图像的分辨率转换为512×512；然后随机选择图像数据集中20％的图像作为测试集，剩余80％作为训练集；

10、(1.3)将所述训练集输入vgg-seunet网络中进行训练，通过vgg-seunet网络中跳跃连接的编码-解码u形架构来提取反映组织分割的多尺度特征融合结果；

11、(1.4)引入通道注意力，通过所述通道注意力在vgg-seunet网络每次跳跃连接期间得到的特征图进行重新加权；

12、(1.5)通过像素点分类器对加权后的特征图应用1×1卷积，将其通道维数从64降低到32，并使用leakyrelu函数对特征进行激活，进而对图像中的每一个像素点进行分类，得到胎儿皮下软组织的分割结果。

13、进一步地，所述步骤(1.4)中的通道注意力通过以下操作来实现：所述通道注意力通过全局平均池化对每个特征图进行压缩，以获得1×1×c向量，然后通过两个sigmod函数激活的全连接层对所述向量进行归一化，以获得每个通道的权重；最后，通过将权重与原始输入通道相乘以实现通道的重新校准。

14、进一步地，所述步骤(2)中，所述df_loss损失函数的表达式为：

15、

16、式中，df_loss表示df_loss损失函数，xp表示预测的组织区域，yg表示标注的实际软组织区域，n表示样本总数，xi表示图像中的单个像素点，c表示标注标签，p(xi)表示像素点xi预测属于软组织区域的概率，γ与α是控制正负样本的超参数。

17、与现有技术相比，本发明的有益效果是，本发明将vgg-seunet网络、df_loss损失函数和基于形态学的测量算法相结合，提出了一种自动测量胎儿腹部皮下软组织厚度的方法。本发明通过分割网络vgg-seunet以端到端的方式进行训练，无需手动特征提取，不消耗大量的计算资源；与现有的最先进的网络相比，它具有优越的分割性能；并且本发明基于形态学的测量算法具备堪比人工的测量结果。通过本发明方法能够自动测量胎儿腹部皮下软组织厚度，从而帮助医生后续评估胎儿发育和营养状况。通过实验验证，本发明fasstt的测量结果与放射科医生提供的结果相比，平均误差为0.0615cm，均方根误差为0.081cm；在总体性能超过了现有方法，证明了本发明方法的有效性。