本發(fā)明涉及醫(yī)療圖像
技術領域：
，尤其是涉及一種胎兒超聲圖像質量控制方法及系統(tǒng)。
背景技術：
：超聲因為實時獲取、成本低、無輻射及移動便攜等優(yōu)點，廣泛應用于產前檢查。通常，產前超聲檢查的過程包括：超聲探頭掃查、標準切面獲取、生物計量測量、胎齡體重測定。生物計量測量是胎齡體重測定所必須的，而生物計量測量又要求是在標準切面上進行，這就說明，只有標準切面的測量值才能準確的估測胎齡和體重，可見標準切面的重要性。但并不是所有醫(yī)師都可以獲得標準切面。如圖1(a)是符合質量標準的胎兒腹圍切面，灰色線圈測得腹圍(AC)的長度是338.72mm；同一胎齡的胎兒，可能會有經驗不夠豐富的醫(yī)師獲得圖1(b)所示的不符合質量標準的胎兒腹圍切面，灰色線圈測得AC的長度是326.87mm；兩張圖像唯一的區(qū)別在于箭頭所指的胃泡(SB)，(a)胃泡充盈顯示且內無回聲，(b)胃泡欠佳顯示，導致欠佳切面測得的腹圍長度與標準切面測得的腹圍長度存在11.85mm的誤差。臨床中已有研究強調了胎兒生物計量測量的質量控制的重要性。一般由有經驗的醫(yī)師(專家)根據(jù)協(xié)議對超聲掃查切面評分，實現(xiàn)質量控制的目的，但是由專家手動評分的質量控制有很多缺點：①更傾向于專家的主觀性②嚴重依賴專家的經驗③重復操作工作、耗時耗力，臨床中不可實現(xiàn)。技術實現(xiàn)要素：有鑒如此，有必要針對現(xiàn)在技術存在的缺陷，提供一種胎兒超聲圖像質量控制方法及系統(tǒng)。為實現(xiàn)上述目的，本發(fā)明采用下述技術方案：一種胎兒超聲圖像質量控制方法，包括下述步驟：步驟S110：獲取胎兒腹部掃查切面的灰度圖像；步驟S120：提取所述灰度圖像的局部相位特征，獲取對應的局部對稱相位圖和局部非對稱相位圖；步驟S130：將所述對稱相位圖和非對稱相位圖與所述灰度圖像組合成RGB圖像；步驟S140：利用L-CNN模型定位到所述RGB圖像中的ROI，并判斷ROI是否符合第1項指標；步驟S150：利用C-CNN模型對識別到的ROI進行分析，并判斷SB是否符合第2項指標，UV是否符合第3項標準；步驟S160：根據(jù)步驟S140及步驟S150中的判斷結果得到胎兒超聲圖像質量測量結果；其中，所述第1項指標為ROI的面積占掃查扇區(qū)的1/2以上，所述第2項指標為SB充盈顯示、邊界清晰、內無回聲，所述第3項指標為UV為彎鉤狀顯示、連續(xù)不中斷、允許內回聲。在一些實施例中，步驟S140中，利用L-CNN模型定位到所述RGB圖像中的ROI，并判斷ROI是否符合第1項指標，具體包括下述步驟：步驟S141：扣取每一張?zhí)焊箛忻娴淖訄D像；步驟S142：調整所述子圖像的尺寸到227*227，并輸入L-CNN，獲取窗口是ROI的概率；步驟S143：采用上述依此獲得整張切面內每個像素點為中心的窗口概率，得到ROI對應的概率圖；步驟S144：將所述概率圖經過雙邊濾波器平滑，再經過非極大值抑制得到概率最高的像素點即為以固定尺寸窗口定位到ROI的最佳中心點坐標Cx,y；步驟S145：計算ROI面積占超聲掃查扇區(qū)面積的比例Rr/FOV得出SROI，判斷ROI是否符合第1項指標。在一些實施例中，步驟S141中，扣取每一張?zhí)焊箛忻娴淖訄D像，采用固定尺寸320*280的窗口以步幅10滑動，在超聲掃查區(qū)域內扣取子圖像。在一些實施例中，所述步驟S144還包括下述步驟：以最佳中心點坐標Cx,y為中心，及其上下左右10個像素點的區(qū)域范圍內，以步幅為10滑動窗口，獲取最高ROI概率的中心點、寬、高，完成了當前測試圖像上ROI的自動定位，其中，所述窗口的寬度在210-400的范圍內，窗口高度在190-340的范圍內。在一些實施例中，其中，步驟S160中，根據(jù)步驟S140及步驟S150中的判斷結果得到胎兒超聲圖像質量控制結果，具體包括下述步驟：若ROI符合第1項指標，則對ROI的評分SROI為1，若否，記為0；若SB符合第2項指標，則對SB的評分SSB為1，若否，記為0；若UV符合第3項標準，則對UV的評分SUV為1，若否，記為0；則胎兒超聲圖像質量的評估分數(shù)SFAP為SFAP＝SROI+SSB+SUV。在一些實施例中，其中，所述窗口的寬度在210-400的范圍內以10為間隔變化，窗口高度在190-340的范圍內以10為間隔變化。另外，本申請還提供了一種胎兒超聲圖像質量控制系統(tǒng)，包括：圖像獲取模塊，用于獲取胎兒腹部掃查切面的灰度圖像；特征提取模塊，用于提取所述灰度圖像的局部相位特征，獲取對應的局部對稱相位圖和局部非對稱相位圖；圖像融合模塊，用于將所述對稱相位圖和非對稱相位圖與所述灰度圖像組合成RGB圖像；L-CNN模型定位模塊，用于利用L-CNN模型定位所述RGB圖像中的ROI，并判斷ROI是否符合第1項指標；C-CNN模型分析模塊，利用C-CNN模型對識別到的ROI進行分析，并判斷SB是否符合第2項指標，UV是否符合第3項標準；及結果輸出模塊，用于根據(jù)所述L-CNN模型定位模塊及C-CNN模型分析模塊中的判斷結果得到胎兒超聲圖像質量測量結果；其中，所述第1項指標為ROI的面積占掃查扇區(qū)的1/2以上，所述第2項指標為SB充盈顯示、邊界清晰、內無回聲，所述第3項指標為UV為彎鉤狀顯示、連續(xù)不中斷、允許內回聲。在一些實施例中，所述L-CNN模型定位模塊包括：子圖像扣取單元，用于扣取每一張?zhí)焊箛忻娴淖訄D像；圖像調整單元，用于調整所述子圖像的尺寸到227*227，并輸入L-CNN，獲取窗口是ROI的概率；窗口概率獲取單元，用于采用上述依此獲得整張切面內每個像素點為中心的窗口概率，得到ROI對應的概率圖；中心點坐標定位單元，用于將所述概率圖經過雙邊濾波器平滑，再經過非極大值抑制得到概率最高的像素點即為以固定尺寸窗口定位到ROI的最佳中心點坐標Cx,y；及判斷單元，用于計算ROI面積占超聲掃查扇區(qū)面積的比例Rr/FOV得出SROI，判斷ROI是否符合第1項指標。在一些實施例中，所述中心點坐標定位單元還用于以最佳中心點坐標Cx,y為中心，及其上下左右10個像素點的區(qū)域范圍內，以步幅為10滑動窗口，獲取最高ROI概率的中心點、寬、高，完成了當前測試圖像上ROI的自動定位，其中，所述窗口的寬度在210-400的范圍內，窗口高度在190-340的范圍內。在一些實施例中，所述結果輸出模塊用于根據(jù)所述L-CNN模型定位模塊及C-CNN模型分析模塊中的判斷結果得到胎兒超聲圖像質量測量結果，包括：若ROI符合第1項指標，則對ROI的評分SROI為1，若否，記為0；若SB符合第2項指標，則對SB的評分SSB為1，若否，記為0；若UV符合第3項標準，則對UV的評分SUV為1，若否，記為0；則胎兒超聲圖像質量的評估分數(shù)SFAP為SFAP＝SROI+SSB+SUV。本發(fā)明采用上述技術方案的優(yōu)點是：本發(fā)明提供的胎兒超聲圖像質量控制方法及系統(tǒng)，通過輸入臨床超聲醫(yī)師獲取的胎兒腹部掃查切面灰度圖像，提取其局部相位特征得到對應的局部對稱相位和非對稱相位圖，與原灰度圖像一起組合成RGB圖像，利用L-CNN模型以多分辨率掃描的方式定位到ROI，并判斷切面中的ROI是否符合第1項指標，然后C-CNN模型對識別到的ROI進行分析，并判斷SB是否符合第2項指標，UV是否符合第3項標準，其中，所述第1項指標為ROI的面積占掃查扇區(qū)的1/2以上，所述第2項指標為SB充盈顯示、邊界清晰、內無回聲，所述第3項指標為UV為彎鉤狀顯示、連續(xù)不中斷、允許內回聲，從而實現(xiàn)了胎兒超聲圖像質量控制，本申請?zhí)峁┑奶撼晥D像質量控制方法及系統(tǒng)，通過對胎兒超聲掃查切面自動化評分的定量化質量控制，可以實現(xiàn)客觀評估切面質量的目的，比專家手動操作更加經濟、有效率；其次，可以用在遠程醫(yī)療上，使用方便；再有，可以用于新手醫(yī)師的培訓和學習，通過評估他們獲取的切面，來不斷提高他們獲取標準切面的能力。附圖說明圖1中(a)表示的是符合質量標準的胎兒腹圍切面；圖1中(b)表示的是不符合質量標準的胎兒腹圍切面；圖2為本發(fā)明實施例提供的胎兒超聲圖像質量控制方法的步驟流程圖；圖3中(a)胎兒腹部標準切面，(b)和(c)表示亮的對稱和非對稱相位特征，(d)和(e)表示暗的對稱和非對稱相位特征；圖4為本申請?zhí)峁├肔-CNN模型定位所述RGB圖像中的ROI，并判斷ROI是否符合第1項指標的步驟流程圖；圖5表示為ROI的四種類別；圖6表示為本申請?zhí)峁┑奶撼晥D像質量控制系統(tǒng)的結構示意圖；圖7表示所述L-CNN模型定位模塊的結構示意圖；圖8為本申請?zhí)峁┑腇UIQA系統(tǒng)與專家E1,E2,E3質量評估一致的胎兒腹部超聲掃查切面展示圖。圖9表示了FUIQA系統(tǒng)與專家E1，E2，E3評估結果不一致的胎兒腹部超聲掃查切面示意圖。具體實施方式為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及具體實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。在申請文件中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。請參閱圖2，本發(fā)明實施例提供的一種胎兒超聲圖像質量控制方法，包括下述步驟：步驟S110：獲取胎兒腹部掃查切面的灰度圖像；在本實施例中，本申請?zhí)峁┑妮斎雸D像為臨床超聲醫(yī)師獲取的胎兒腹部掃查切面灰度圖像，可以理解，在實際應用中，還可以擴展到胎兒其他超聲掃查切面。步驟S120：提取所述灰度圖像的局部相位特征，獲取對應的局部對稱相位圖和局部非對稱相位圖；請參閱圖3，展示了一張?zhí)焊共繕藴是忻嫣崛〉牧梁桶档南辔粚ΨQ和非對稱特征圖，其中，圖3中(a)胎兒腹部標準切面，(b)和(c)表示亮的對稱和非對稱相位特征，(d)和(e)表示暗的對稱和非對稱相位特征。步驟S130：將所述對稱相位圖和非對稱相位圖與所述灰度圖像組合成RGB圖像；可以理解，自然圖像是RGB三個通道的彩色圖像，而超聲圖像是單通道的灰度圖像，為了應用DCNN模型來分析超聲圖像，通常會復制單通道數(shù)據(jù)增加為3個通道，而局部相位特征被有效的應用于許多超聲圖像處理問題，為了增加灰度圖像信息，我們將局部對稱和非對稱相位特征作為原圖像的可選通道輸入，并與所述灰度圖像組合成RGB圖像。步驟S140：利用L-CNN模型定位所述RGB圖像中的ROI(腹部區(qū)域)，并判斷ROI是否符合第1項指標；其中，所述第1項指標為ROI的面積占掃查扇區(qū)的1/2以上；請參閱表1，為本申請中執(zhí)行的胎兒腹圍切面質量控制協(xié)議。指標解剖結構標準第1項指標腹部區(qū)域(ROI)面積占掃查扇區(qū)的1/2以上第2項指標胃泡(SB)充盈顯示、邊界清晰、內無回聲第3項指標臍靜脈(UV)彎鉤狀顯示、連續(xù)不中斷、允許內回聲深度卷積網(wǎng)絡(DCNN)模型是一種熱門的深度學習技術，已經成功應用到醫(yī)學圖像分析的各種問題。典型的DCNN結構由幾組卷積層、最大值池化層和最后緊跟的全連接層組成。卷積層將上一層的局部感受野作為輸入，提取特征，并保留全局的空間結構信息，本申請?zhí)岢龅腖-CNN是基于DCNN基礎上。請參閱表1，為L-CNN模型結構。在本實施例中，為了更好地遷移學習自然圖像數(shù)據(jù)訓練好的參數(shù)，我們將L-CNN網(wǎng)絡的卷積層和池化層的結構設置成和AlexNet模型一樣，而在超聲訓練數(shù)據(jù)上微調后面的3個全連接層，這3個全連接層分別包含1024,256,2個神經單元，也就是說，在L-CNN訓練的過程中，卷積層的參數(shù)是由已經訓練好的AlexNet模型參數(shù)初始化的，而全連接層的參數(shù)則隨機初始化為高斯分布。同時，為了提高泛化能力，dropout策略和ReLu被用于訓練過程。學習率初始為0.001，并在網(wǎng)絡停止收斂時逐漸下降10倍。表1L-CNN模型的結構請參閱圖4，本申請?zhí)峁┑?，步驟S140中，利用L-CNN模型定位所述RGB圖像中的ROI，并判斷ROI是否符合第1項指標，具體包括下述步驟：步驟S141：扣取每一張?zhí)焊箛忻娴淖訄D像；優(yōu)選地，對于每一張?zhí)焊箛忻?，在超聲掃查的區(qū)域內，用固定尺寸320*280的窗口以步幅10滑動扣取子圖像。可以理解，針對不同的胎兒腹圍切面還可以采用其他的窗口及步幅扣取子圖像。步驟S142：調整所述子圖像的尺寸到227*227，并輸入L-CNN，獲取窗口是ROI的概率；步驟S143：采用上述依此獲得整張切面內每個像素點為中心的窗口概率，得到ROI對應的概率圖；步驟S144：將所述概率圖經過雙邊濾波器平滑，再經過非極大值抑制得到概率最高的像素點即為以固定尺寸窗口定位到ROI的最佳中心點坐標Cx,y；進一步地，所述步驟S144還包括下述步驟：以最佳中心點坐標Cx,y為中心，及其上下左右10個像素點的區(qū)域范圍內，以步幅為10滑動窗口，獲取最高ROI概率的中心點、寬、高，完成了當前測試圖像上ROI的自動定位，其中，所述窗口的寬度在210-400的范圍內，窗口高度在190-340的范圍內。步驟S145：計算ROI面積占超聲掃查扇區(qū)面積的比例Rr/FOV得出SROI，判斷ROI是否符合第1項指標。可以理解，通過上述步驟S141～步驟S145可以完成利用L-CNN模型定位所述RGB圖像中的ROI，并判斷ROI是否符合第1項指標。步驟S150：利用C-CNN模型對識別到的ROI進行分析，并判斷SB是否符合第2項指標，UV是否符合第3項標準，所述第2項指標為SB充盈顯示、邊界清晰、內無回聲，所述第3項指標為UV為彎鉤狀顯示、連續(xù)不中斷、允許內回聲。可以理解，C-CNN模型的目的是實現(xiàn)ROI內部SB和UV兩個重要解剖結構是否符合質量標準的評估。臨床上，是將解剖結構分為標準、欠佳、不存在三種評判形式，欠佳代表該解剖結構存在但卻不標準。事實上，只有標準狀態(tài)的切面才被認可用于生物計量的測量，欠佳狀態(tài)的切面與標準切面在生物計量的測量上存在顯著性誤差?？梢岳斫?，在本申請中，只有解剖結構標準時，對應表1中解剖結構的評分才為1；欠佳與不存在的情況下，該解剖結構的評分為0。同時，我們按照SB和UV是否滿足標準的情況將所有ROI分成了4種類別，將C-CNN的質量評估問題轉變成4分類問題，如圖5所示，表示為ROI的四種類別。可以理解，將表1中第2和第3項綜合起來轉變成4分類的方式評估，是為了利用C-CNN學習腹部區(qū)域整體的特征，而不只是學習單個解剖結構。同時因為表1中三項指標是相互關聯(lián)的，我們將L-CNN模型參數(shù)遷移學習到C-CNN模型來協(xié)助4個類別的分類。C-CNN的訓練細節(jié)及結構與L-CNN相似，除了最后3個全連接層的神經單元數(shù)目分別為2048,256,4。C-CNN模型訓練完成之后，將測試圖像上L-CNN自動定位到的ROI扣取后輸入到C-CNN，得到圖5所示4種類別的概率，概率最大的即為該ROI所屬的類別，完成表1中第2項和第3項指標的自動評估。步驟S160：根據(jù)步驟S140及步驟S150中的判斷結果得到胎兒超聲圖像質量測量結果；可以理解，根據(jù)表1，第1項是評估腹部區(qū)域的面積比例，因此由L-CNN精準定位到ROI之后，計算ROI面積占超聲掃查扇區(qū)面積的比例Rr/FOV得出SROI，見公式(1)。之后將ROI輸入C-CNN，得到ROI的類別，根據(jù)圖5對應分別得到UV和SB的評分，即SSB和SUV。進而得到一張超聲掃查切面的質量評估分數(shù)SFAP，見公式(2)。SFAP＝SROI+SSB+SUV(2)可以理解，雖然我們目前只用于評估胎兒腹部掃查切面的質量，但框架具有通用性，也可以拓展到胎兒超聲掃查其他切面的質量評估。請參閱圖6，本申請?zhí)峁┑奶撼晥D像質量控制系統(tǒng)，包括：圖像獲取模塊110，用于獲取胎兒腹部掃查切面的灰度圖像；特征提取模塊120，用于提取所述灰度圖像的局部相位特征，獲取對應的局部對稱相位圖和局部非對稱相位圖；圖像融合模塊130，用于將所述對稱相位圖和非對稱相位圖與所述灰度圖像組合成RGB圖像；L-CNN模型定位模塊140，用于利用L-CNN模型定位所述RGB圖像中的ROI，并判斷ROI是否符合第1項指標；C-CNN模型分析模塊150，利用C-CNN模型對識別到的ROI進行分析，并判斷SB是否符合第2項指標，UV是否符合第3項標準；及結果輸出模塊160，用于根據(jù)所述L-CNN模型定位模塊及C-CNN模型分析模塊中的判斷結果得到胎兒超聲圖像質量測量結果；其中，所述第1項指標為ROI的面積占掃查扇區(qū)的1/2以上，所述第2項指標為SB充盈顯示、邊界清晰、內無回聲，所述第3項指標為UV為彎鉤狀顯示、連續(xù)不中斷、允許內回聲。其中，請參閱圖7，所述L-CNN模型定位模塊140包括：子圖像扣取單元141，用于扣取每一張?zhí)焊箛忻娴淖訄D像；圖像調整單元142用于調整所述子圖像的尺寸到227*227，并輸入L-CNN，獲取窗口是ROI的概率；窗口概率獲取單元143用于采用上述依此獲得整張切面內每個像素點為中心的窗口概率，得到ROI對應的概率圖；中心點坐標定位單元144用于將所述概率圖經過雙邊濾波器平滑，再經過非極大值抑制得到概率最高的像素點即為以固定尺寸窗口定位到ROI的最佳中心點坐標Cx,y；及判斷單元145用于計算ROI面積占超聲掃查扇區(qū)面積的比例Rr/FOV得出SROI，判斷ROI是否符合第1項指標。優(yōu)選地，所述中心點坐標定位單元144還用于以最佳中心點坐標Cx,y為中心，及其上下左右10個像素點的區(qū)域范圍內，以步幅為10滑動窗口，獲取最高ROI概率的中心點、寬、高，完成了當前測試圖像上ROI的自動定位，其中，所述窗口的寬度在210-400的范圍內，窗口高度在190-340的范圍內。優(yōu)選地，所述結果輸出模塊160用于根據(jù)所述L-CNN模型定位模塊及C-CNN模型分析模塊中的判斷結果得到胎兒超聲圖像質量測量結果，包括若ROI符合第1項指標，則對ROI的評分SROI為1，若否，記為0；若SB符合第2項指標，則對SB的評分SSB為1，若否，記為0；若UV符合第3項標準，則對UV的評分SUV為1，若否，記為0；則胎兒超聲圖像質量的評估分數(shù)SFAP為SFAP＝SROI+SSB+SUV。本發(fā)明提供的胎兒超聲圖像質量控制方法及系統(tǒng)，通過輸入臨床超聲醫(yī)師獲取的胎兒腹部掃查切面灰度圖像，提取其局部相位特征得到對應的局部對稱相位和非對稱相位圖，與原灰度圖像一起組合成RGB圖像，利用L-CNN模型以多分辨率掃描的方式定位到ROI，并判斷切面中的ROI是否符合第1項指標，然后C-CNN模型對識別到的ROI進行分析，并判斷SB是否符合第2項指標，UV是否符合第3項標準，其中，所述第1項指標為ROI的面積占掃查扇區(qū)的1/2以上，所述第2項指標為SB充盈顯示、邊界清晰、內無回聲，所述第3項指標為UV為彎鉤狀顯示、連續(xù)不中斷、允許內回聲，從而實現(xiàn)了胎兒超聲圖像質量控制，本申請?zhí)峁┑奶撼晥D像質量控制方法及系統(tǒng)，通過對胎兒超聲掃查切面自動化評分的定量化質量控制，可以實現(xiàn)客觀評估切面質量的目的，比專家手動操作更加經濟、有效率；其次，可以用在遠程醫(yī)療上，使用方便；再有，可以用于新手醫(yī)師的培訓和學習，通過評估他們獲取的切面，來不斷提高他們獲取標準切面的能力。以下結合具體實施例對本發(fā)明提供的技術方案進行詳細闡述。我們研究使用的所有胎兒腹部超聲掃查切面都來自于深圳婦幼保健院，采集時間從2012年9月到2013年11月。依照標準的產前檢查協(xié)議，超聲切面由傳統(tǒng)便捷式2維超聲探頭對16-40周孕齡的孕婦掃查獲取。所有超聲圖像采集的儀器均是西門子AcusonSequoia512超聲掃描儀，但是包含不同的參數(shù)設置。在我們的研究中，2012年采集的492套超聲掃查視頻用作訓練數(shù)據(jù)集，2013年采集的219套超聲掃查視頻用作測試數(shù)據(jù)集。我們從492套訓練數(shù)據(jù)集中提取了8072張掃查切面用于L-CNN模型的訓練，每一張切面均扣取其腹部區(qū)域產生一張ROI正樣本，將切面中與正樣本的重疊率在40％以下的作為負樣本，負樣本是在背景區(qū)隨即扣取。L-CNN模型訓練的正樣本作為了C-CNN模型的訓練樣本，對應類別1,2,3,4分別有1256,3827,151,2838個樣本，為了4類樣本數(shù)據(jù)的平衡，我們將類別1,3,4的樣本在(-25,25)的角度范圍內旋轉來增加其樣本量。因此，最終C-CNN模型訓練的4個類別樣本量分別為3717,3827,3907,3964，而且這總共15415個樣本全部作為L-CNN模型訓練的正樣本。所有的訓練數(shù)據(jù)標注均由一位有2年豐富經驗的超聲科研究生完成，同時由我們的臨床指導委員會審查和修訂以確保數(shù)據(jù)的準確性。在訓練L-CNN和C-CNN模型的過程中，我們還將訓練樣本按照9:1的比例分成了訓練集和驗證集，詳細的細節(jié)見表3。表3.L-CNN和C-CNN訓練樣本數(shù)目展示用于胎兒超聲圖像質量控制(FUIQA)系統(tǒng)測試的超聲掃查切面有2606張，來自66個孕婦采集的219套超聲掃查視頻。根據(jù)表1中的準則，每一張超聲切面都由3位工作經驗3年以上的超聲科主治醫(yī)師標記出ROI區(qū)域的位置，并對UV和SB是否符合標準做出判斷。本申請中分別用E1，E2，E3代表3為醫(yī)生，3位醫(yī)生都是獨立完成標記。我們將FUIQA系統(tǒng)在ROI、SB和UV單獨每項的評估結果分別與3位專家的標記作對比，分別取準確率(Acc)、敏感性(Sen)和特異性(Spec)定量展示L-CNN和C-CNN的性能,如表4所示。表4.針對單個解剖結構ROI,SB,UV,FUIQA系統(tǒng)與3位專家E1,E2,E3評分的定量對比從上述實驗部分看出，本申請?zhí)峁┑奶岢龅腇UIQA系統(tǒng)的性能，圖8也顯示了基于DCNN的FUIQA系統(tǒng)對不同參數(shù)設置圖像的魯棒性，同時，由圖8中的(b),(d)和(h)可以看出FUIQA系統(tǒng)在超聲圖像受聲影嚴重影響的情況下也能正確控制圖像質量。多樣化的訓練數(shù)據(jù)學習，基于DCNN的FUIQA系統(tǒng)已經可以考慮不同圖像參數(shù)設置、胎兒體位的變化、聲影及噪聲的影響等多種情況，相對傳統(tǒng)的圖像處理及模式識別方法占據(jù)很大的優(yōu)勢。圖9展示了FUIQA系統(tǒng)與專家E1，E2，E3評估結果不一致的胎兒腹部超聲掃查切面。其中，圖9中(a)圖中我們FUIQA系統(tǒng)自動定位與專家標記的ROI位置非常接近，但卻得到不一致的分數(shù)。E1，E2，E3及FUIQA系統(tǒng)的Rr/FOV分別為0.497，0.513，0.476和0.523，即使四者非常接近，但ROI項的得分按照公式(4)計算。(b)圖中UV的中間段被聲影，3位專家仍可識別出UV的彎鉤形狀，而我們FUIQA系統(tǒng)因無法識別UV中間段而判斷UV不標準，得出和3位專家不一致的評分。當然本發(fā)明的胎兒超聲圖像質量控制方法及方法還可具有多種變換及改型，并不局限于上述實施方式的具體結構。總之，本發(fā)明的保護范圍應包括那些對于本領域普通技術人員來說顯而易見的變換或替代以及改型。當前第1頁1 2 3