本發(fā)明涉及醫(yī)學(xué)影像分析，尤其涉及一種子宮內(nèi)膜圖像的關(guān)鍵幀檢測方法和裝置。

背景技術(shù)：

1、子宮內(nèi)膜正常厚度在月經(jīng)周期的不同時期，子宮內(nèi)膜的正常厚度是不一樣的，子宮內(nèi)膜假如厚，來月經(jīng)時輕易經(jīng)很痛，而且受精卵不易著床，一般來講子宮內(nèi)膜正常厚度是0.2--1.0厘米。月經(jīng)期子宮內(nèi)膜功能層脫落保存基底層。增生期也九是月經(jīng)第6-14天子宮內(nèi)膜正常厚度約為1-3mm。分泌期在月經(jīng)第15-28天，子宮內(nèi)膜厚度約為5-7mm。但是一些女性的子宮內(nèi)膜的厚度經(jīng)檢查后明顯不符合正常的厚度，那么子宮內(nèi)膜薄增生會導(dǎo)致女性不孕有的還會引發(fā)子宮內(nèi)膜癌。近年來，子宮超聲檢查用于獲取子宮內(nèi)膜超聲視頻，在視頻分析和處理過程中，相關(guān)和必要的信息檢索是一項必須完成的任務(wù)，因為如果視頻很大，就很難在較短的時間內(nèi)處理完整的視頻而不丟失其語義細節(jié)。那么如何準確識別超聲視頻中的關(guān)鍵幀，是進行子宮內(nèi)膜檢測的基礎(chǔ)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是為了克服上述現(xiàn)有技術(shù)的缺點，提供一種子宮內(nèi)膜圖像的關(guān)鍵幀檢測方法，其包括以下步驟：

2、步驟1：獲取子宮超聲視頻數(shù)據(jù)；

3、步驟2：對子宮超聲視頻數(shù)據(jù)進行提取和分割，得到分割后的子宮內(nèi)膜圖像；

4、步驟3：利用msnet169模型對分割后的子宮內(nèi)膜圖像進行分類，根據(jù)分類結(jié)果確定適合測量內(nèi)膜厚度的所有子宮內(nèi)膜圖像；

5、步驟4：在步驟3中得到的所有子宮內(nèi)膜圖像中尋找關(guān)鍵幀；

6、步驟5：輸出包含最大厚度信息的關(guān)鍵幀圖像以及對應(yīng)的子宮內(nèi)膜具體厚度值。

7、進一步地，步驟2的具體步驟包括：

8、步驟21：將輸入的視頻數(shù)據(jù)分割為若干個單幀圖像；

9、步驟22：對每個單幀圖像進行圖像增強；

10、步驟23：利用ddrnets模型對增強后的圖像進行分割，得到分割后的子宮內(nèi)膜圖像，并生成圖像的掩碼；

11、步驟24：將生成的掩碼和原始的單幀圖像進行疊加，得到帶掩碼的子宮內(nèi)膜圖像。

12、進一步地，所述msnet169模型包括兩個并行的分支網(wǎng)絡(luò)，第一個分支網(wǎng)絡(luò)用于提取掩碼特征，得到掩碼特征圖，第二個分支網(wǎng)絡(luò)用于提取圖像特征，兩個分支網(wǎng)絡(luò)通過特征融合模塊相連，特征融合模塊的輸出與全連接層相連，全連接層用于將融合后的特征映射到目標(biāo)類別上，從而實現(xiàn)分類。

13、進一步地，所述第一個分支網(wǎng)絡(luò)包括依次連接的多個卷積層、空間注意力模塊以及自適應(yīng)平均池化層，所述空間注意力模塊用于生成空間注意力圖；

14、所述第二個分支網(wǎng)絡(luò)包括多個使用密集連接的卷積層，每層的輸出特征與后續(xù)層級聯(lián)，每層之間通過密集連接將通道特征連接起來。

15、進一步地，所述特征融合模塊通過將掩碼特征圖與空間注意力圖進行元素級乘法操作將掩碼特征和圖像特征進行融合。

16、進一步地，步驟3的具體步驟為：

17、步驟31：將帶掩碼的子宮內(nèi)膜圖像輸入msnet169模型中；

18、步驟32：利用預(yù)訓(xùn)練后的msnet169模型分別通過兩個分支網(wǎng)絡(luò)提取掩碼特征和圖像特征，得到最終的分類結(jié)果；

19、步驟33：根據(jù)分類結(jié)果判斷當(dāng)前分割后的子宮內(nèi)膜圖像是否適用于測量子宮內(nèi)膜厚度，輸出分割結(jié)果正確的子宮內(nèi)膜圖像，用于測量厚度。

20、進一步地，msnet169模型進行訓(xùn)練時采用焦點交叉熵損失函數(shù)，其計算公式為：

21、fl(pt)＝-∑(i＝1to?k)qiαi(1-pi)γlog(pi)

22、其中，

23、qi＝(1-ε)pi+ε/k

24、式中，αi表示樣本權(quán)重，γ表示可調(diào)的聚焦參數(shù)，qi為平滑后的標(biāo)簽值，pi為原始標(biāo)簽，ε為平滑參數(shù)，k為類別數(shù)；pt表示預(yù)測的概率值。

25、進一步地，步驟4具體包括：

26、步驟41：導(dǎo)入正確分類后的所有帶掩碼的子宮內(nèi)膜圖像，利用最大內(nèi)切圓搜索法尋找內(nèi)切圓，計算子宮內(nèi)膜厚度；

27、步驟42：將計算出的子宮內(nèi)膜厚度最大時對應(yīng)的圖像幀作為關(guān)鍵幀。

28、一種子宮內(nèi)膜圖像的關(guān)鍵幀檢測裝置，基于所述子宮內(nèi)膜圖像的關(guān)鍵幀檢測方法實現(xiàn)，該裝置包括：

29、輸入模塊，用于通過超聲波機采集子宮超聲視頻數(shù)據(jù)；

30、分割模塊，用于將輸入的視頻數(shù)據(jù)分割為若干個單幀圖像，并對各個單幀圖像進行圖像增強，最后利用ddrnets模型對增強后的圖像進行分割，生成帶掩碼的子宮內(nèi)膜圖像；

31、分類模塊，用于對分割后的子宮內(nèi)膜圖像進行分類，確定適合測量內(nèi)膜厚度的所有子宮內(nèi)膜圖像；

32、關(guān)鍵幀檢測模塊，用于根據(jù)正確分類后的帶掩碼的子宮內(nèi)膜圖像來提取關(guān)鍵幀；

33、輸出模塊，用于輸出包含最大厚度信息的關(guān)鍵幀圖像以及對應(yīng)的子宮內(nèi)膜具體厚度值。

34、進一步地，所述分類模塊包括：

35、msnet169模型構(gòu)建單元，用于建立包含兩個分支網(wǎng)絡(luò)的msnet169模型，所述兩個分支網(wǎng)絡(luò)分別用于提取掩碼特征以及圖像特征，并通過特征融合模塊將得到的掩碼特征和圖像特征進行融合來實現(xiàn)分類；

36、msnet169模型分類單元，用于將輸入的帶掩碼的子宮內(nèi)膜圖像利用msnet169模型進行分類，輸出分類結(jié)果；

37、分割結(jié)果評估單元，用于根據(jù)分類結(jié)果判斷當(dāng)前分割后的子宮內(nèi)膜圖像是否適用于測量子宮內(nèi)膜厚度，輸出分割結(jié)果正確的子宮內(nèi)膜圖像。

38、本發(fā)明基于ddr-net和msnet169模型，提出了一種子宮內(nèi)膜圖像的關(guān)鍵幀檢測方法，具有以下技術(shù)效果：

39、第一，提高了圖像分割的準確性：

40、ddr-net模型利用深度卷積神經(jīng)網(wǎng)絡(luò)來精確地分割超聲圖像中的子宮內(nèi)膜區(qū)域。通過雙路徑結(jié)構(gòu)，一個路徑生成高分辨率特征圖，另一個路徑通過多次降采樣提取豐富的語義信息，并通過多尺度上下文模塊(dappm)進行信息融合，顯著提高了分割精度。

41、第二，增強了圖像分類的準確性和效率：

42、msnet169模型通過雙通道輸入結(jié)構(gòu)，將圖像特征和掩碼特征結(jié)合起來。第一個分支網(wǎng)絡(luò)提取掩碼特征并生成空間注意力圖，第二個分支網(wǎng)絡(luò)提取圖像特征，并通過特征融合模塊將兩者融合。msnet169模型在分類任務(wù)中的準確率均優(yōu)于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型。這種結(jié)構(gòu)有效地利用了掩碼信息，顯著提高了分類性能。

43、第三，提升了關(guān)鍵幀檢測的效率：

44、通過分割和分類步驟，提取出子宮內(nèi)膜厚度最大的圖像作為關(guān)鍵幀，能夠快速準確地識別關(guān)鍵幀。與人工選擇關(guān)鍵幀相比，本發(fā)明的方法大幅減少了操作時間，提高了效率。

45、第四，改進了自動化處理的魯棒性：

46、本發(fā)明采用了焦點交叉熵損失函數(shù)進行模型訓(xùn)練，解決了類別不平衡問題，增強了模型的魯棒性。實驗結(jié)果表明，使用msnet169模型可以更好地應(yīng)對復(fù)雜的子宮內(nèi)膜圖像，提高了自動處理的可靠性。

47、綜上所述，本發(fā)明通過改進分割和分類模型結(jié)構(gòu)，顯著提升了子宮內(nèi)膜圖像處理的準確性和效率，為臨床應(yīng)用提供了更加可靠的技術(shù)支持。

48、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。