基于深度学习的胎儿超声图像识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的胎儿超声图像识别方法及系统，该方法包括超声设备检测并根据打印操作控制指令向数据终端发送胎儿的超声参数信息；数据终端接收并发送该超声参数信息至云端服务器；云端服务器接收并基于预先确定的图像分割模型对超声静态图像执行分割操作，得到分割子图像，以及将该分割子图像输入预先确定的图像分类模型，得到分类模型结果；云端服务器将该分类模型结果发送至主控设备；主控设备接收并输出该分类模型结果。实施本发明专利技术能够通过将深度学习应用于胎儿超声图像的检查，不仅能够提高胎儿超声图像的识别效率以及准确度，还能够降低医生误判的风险，以及减少医生的工作强度，提升孕妇和医生的体验感。

Fetal ultrasound image recognition method and system based on deep learning

【技术实现步骤摘要】
基于深度学习的胎儿超声图像识别方法及系统
本专利技术涉及医学超声图像
，尤其涉及一种基于深度学习的胎儿超声图像识别方法及系统。
技术介绍
随着社会的进步以及人们获取健康新生儿意识的加强，越来越多的孕妇按照产检计划定期前往医院进行产检来获知胎儿的情况。目前胎儿检查的方法主要为利用超声波收集回声的原理，将胎儿的断层图像显示在屏幕上，得到胎儿图像，然后由医生根据自己的医学经验来分析胎儿图像，从而判断胎儿的发育情况(比如：是否存在畸形)，但由于各种因素的影响，例如：经验不足、劳累过度，很可能造成胎儿健康情况的误判，并且判断效率低。因此，如何提高胎儿畸形图像的识别效率和准确度是当下医学胎儿产检领域亟待解决的问题。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种基于深度学习的胎儿超声图像识别方法及系统，能够通过将深度学习应用于胎儿超声图像的检查，不仅能够提高胎儿超声图像的识别效率以及准确度。为了解决上述技术问题，本专利技术实施例第一方面公开了一种基于深度学习的胎儿超声图像识别方法，所述方法包括：超声设备检测医护人员针对所述超声设备上安装的虚拟打印装置触发的打印操作控制指令，并根据所述打印操作控制指令向数据终端发送胎儿的超声参数信息，所述超声参数信息至少包括所述胎儿的超声静态图像；所述数据终端接收所述超声设备发送的所述超声参数信息，并将所述超声静态图像上传至云端服务器；所述云端服务器接收所述数据终端发送的所述超声静态图像，并基于预先确定的图像分割模型对所述超声静态图像执行分割操作，得到分割子图像，以及将所述分割子图像输入预先确定的图像分类模型，得到分类模型结果，所述分类模型结果用于表示所述胎儿是否存在畸形，当所述分类模型结果表示所述胎儿存在畸形时，所述分类模型结果包括所述畸形的类型；所述云端服务器将所述分类模型结果发送至主控设备；所述主控设备接收所述分类模型结果，并输出所述分类模型结果。本专利技术实施例第二方面公开了基于深度学习的胎儿超声图像识别系统，所述系统包括超声设备、数据终端、云端服务器以及主控设备，其中，所述超声设备包括检测模块、第一发送模块，所述数据终端包括第一接收模块以及第二发送模块，所述云端服务器包括第二接收模块、分割模块、输入模块以及第三发送模块，所述主控设备包括第三接收模块以及输出模块，其中：所述检测模块，用于检测医护人员针对所述超声设备上安装的虚拟打印装置触发的打印操作控制指令；所述第一发送模块，用于根据所述打印操作控制指令向数据终端发送胎儿的超声参数信息，所述超声参数信息至少包括所述胎儿的超声静态图像；所述第一接收模块，用于接收所述超声设备发送的所述超声参数信息；所述第二发送模块，用于将所述超声静态图像发送至云端服务器；所述第二接收模块，用于接收所述数据终端发送的所述超声静态图像；所述分割模块，用于基于预先确定的图像分割模型对所述超声静态图像执行分割操作，得到分割子图像；所述输入模块，用于将所述分割子图像输入预先确定的图像分类模型，得到分类模型结果，所述分类模型结果用于表示所述胎儿是否存在畸形，当所述分类模型结果表示所述胎儿存在畸形时，所述分类模型结果包括所述畸形的类型；所述第三发送模块，用于将所述分类模型结果发送至主控设备；所述第三接收模块，用于接收所述分类模型结果；所述输出模块，用于输出所述分类模型结果。与现有技术相比，本专利技术具有以下有益效果：本专利技术中，超声设备检测医护人员针对该超声设备上安装的虚拟打印装置触发的打印操作控制指令，并根据该打印操作控制指令向数据终端发送胎儿的超声参数信息，该超声参数信息至少包括胎儿的超声静态图像；数据终端接收该超声设备发送的超声参数信息，并将超声静态图像发送至云端服务器；云端服务器接收该数据终端发送的超声静态图像，并基于预先创建的图像分割模型对超声静态图像执行分割操作，得到分割子图像，以及将该分割子图像输入预先创建的图像分类模型，得到分类模型结果，该分类模型结果用于表示胎儿是否存在畸形；云端服务器将该分类模型结果发送至主控设备；主控设备接收该分类模型结果，并输出该分类模型结果。可见，实施本专利技术能够通过将深度学习应用于胎儿超声图像的检查，不仅能够提高胎儿超声图像的识别效率以及准确度，还能够降低医生误判的风险，以及减少医生的工作强度，提升孕妇和医生的体验感。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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获得其他的附图。图1是本专利技术实施例公开的一种基于深度学习的胎儿超声图像识别方法的流程示意图；图2是本专利技术实施例公开的另一种基于深度学习的胎儿超声图像识别方法的流程示意图；图3是本专利技术实施例公开的又一种基于深度学习的胎儿超声图像识别方法的流程示意图；图4是本专利技术实施例公开的一种基于深度学习的胎儿超声图像识别系统的结构示意图；图5是本专利技术实施例公开的另一种基于深度学习的胎儿超声图像识别系统的结构示意图；图6是本专利技术实施例公开的又一种基于深度学习的胎儿超声图像识别系统的结构示意图；图7是本专利技术实施例公开的一种超声设备的结构示意图；图8是本专利技术实施例公开的一种数据终端的结构示意图；图9是本专利技术实施例公开的一种云端服务器的结构示意图；图10是本专利技术实施例公开的一种主控设备的结构示意图。具体实施方式为了更好地理解和实施，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术实施例的术语“包括”、“包含”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可以包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。此外，本专利技术的说明书和权利要求书中的术语“第一”、“第二”等仅是用于区别不同对象，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。本专利技术实施例公开了基于深度学习的胎儿超声图像识别及系统，能够通过将深度学习应用于胎儿超声图像的检查，不仅能够提高胎儿超声图像的识别效率以及准确度，还能够降低医生误判的风险，以及降低医生的工作强度，提升孕妇和医生的体验感。以下分别进行详细说明。实施例一请参阅图1，图1是本专利技术实施例公开的一种基于深度学习的胎儿超声图像识别方法的流程示意图。其中，图1所示的基于深度学习的胎儿超声图像识别方法可以应用于医院的产检系统中，该系统本文档来自技高网...

【技术保护点】
1.一种基于深度学习的胎儿超声图像识别方法，其特征在于，所述方法包括：/n超声设备检测医护人员针对所述超声设备上安装的虚拟打印装置触发的打印操作控制指令，并根据所述打印操作控制指令向数据终端发送胎儿的超声参数信息，所述超声参数信息至少包括所述胎儿的超声静态图像；/n所述数据终端接收所述超声设备发送的所述超声参数信息，并将所述超声静态图像发送至云端服务器；/n所述云端服务器接收所述数据终端发送的所述超声静态图像，并基于预先确定的图像分割模型对所述超声静态图像执行分割操作，得到分割子图像，以及将所述分割子图像输入预先确定的图像分类模型，得到分类模型结果，所述分类模型结果用于表示所述胎儿是否存在畸形，当所述分类模型结果表示所述胎儿存在畸形时，所述分类模型结果包括所述畸形的类型；/n所述云端服务器将所述分类模型结果发送至主控设备；/n所述主控设备接收所述分类模型结果，并输出所述分类模型结果。/n

【技术特征摘要】
1.一种基于深度学习的胎儿超声图像识别方法，其特征在于，所述方法包括：
超声设备检测医护人员针对所述超声设备上安装的虚拟打印装置触发的打印操作控制指令，并根据所述打印操作控制指令向数据终端发送胎儿的超声参数信息，所述超声参数信息至少包括所述胎儿的超声静态图像；
所述数据终端接收所述超声设备发送的所述超声参数信息，并将所述超声静态图像发送至云端服务器；
所述云端服务器接收所述数据终端发送的所述超声静态图像，并基于预先确定的图像分割模型对所述超声静态图像执行分割操作，得到分割子图像，以及将所述分割子图像输入预先确定的图像分类模型，得到分类模型结果，所述分类模型结果用于表示所述胎儿是否存在畸形，当所述分类模型结果表示所述胎儿存在畸形时，所述分类模型结果包括所述畸形的类型；
所述云端服务器将所述分类模型结果发送至主控设备；
所述主控设备接收所述分类模型结果，并输出所述分类模型结果。


2.根据权利要求1所述的基于深度学习的胎儿超声图像识别方法，其特征在于，所述云端服务器基于预先确定的图像分割模型对所述超声静态图像执行分割操作，得到分割子图像，包括：
所述云端服务器基于预先确定的图像分割模型识别所述超声静态图像的感兴趣区域，并使用预先确定出的形状对所述感兴趣区域进行标注，得到所述感兴趣区域的标注信息，以及提取标注后的所述感兴趣区域作为分割子图像。


3.根据权利要求1或2所述的基于深度学习的胎儿超声图像识别方法，其特征在于，所述云端服务器将所述分割子图像输入预先创建的图像分类模型之前，所述方法还包括：
图像分类模型创建端创建图像分类模型，所述图像分类模型创建端为所述云端服务器或本地计算机；
其中，所述图像分类模型创建端创建图像分类模型，包括：
所述图像分类模型创建端获取样本图像数据，并修改预先确定出的原始卷积神经网络模型的模型参数，得到目标卷积神经网络模型，所述模型参数包括所述原始卷积神经网络模型的神经元个数、全连接层层数、特征权重值中的至少一种，所述目标卷积神经网络模型的全连接层层数大于所述原始卷积神经网络模型的全连接层层数；
所述图像分类模型创建端使用所述目标卷积神经网络模型训练所述样本图像数据，得到图像分类模型；
以及，当所述图像分类模型创建端为所述本地计算机时，所述图像分类模型创建端使用所述目标卷积神经网络模型训练所述样本图像数据，得到图像分类模型之后，所述方法还包括：
所述图像分类模型创建端向所述云端服务器发送所述图像分割模型。


4.根据权利要求1所述的基于深度学习的胎儿超声图像识别方法，其特征在于，所述云端服务器基于预先确定的图像分割模型对所述超声静态图像执行分割操作，得到分割子图像之后，以及所述云端服务器将所述分割子图像输入预先确定的图像分类模型，得到分类模型结果之前，所述方法还包括：
所述云端服务器对所述分割子图像执行图像预处理操作，得到预处理后的分割子图像，并触发执行所述的将所述分割子图像输入预先确定的图像分类模型，得到分类模型结果的操作，所述图像预处理操作包括图像填充操作和/或图像增强操作。


5.根据权利要求1或4所述的基于深度学习的胎儿超声图像识别方法，其特征在于，所述方法还包括：
在将所述分割子图像输入预先确定的图像分类模型得到分类模型结果的过程中，所述云端服务器从所述分割子图像中提取所述胎儿的超声特征图；
所述云端服务器生成与所述超声特征图相对应的视觉显著映射图，以及利用伪彩映射对和所述视觉显著映射图生成超声热力图；
所述云端服务器利用图像融合算法融合所述超声热力图和所述超声静态图像，得到所述胎儿的融合热力图，所述融合热力图用于确定所述胎儿的畸变信息，所述畸变信息至少包括所述胎儿的畸变位置信息和/或所述胎儿的畸变程度信息；
所述云端服务器将所述融合热力图或所述融合热力图及所述超声特征图的组合发送至所述主控设备，以触发所述主控设备显示。


6.根据权利要求1所述的基于深度学习的胎儿超声图像识别方法，其特征在于，所述数据终端接收所述超声设备发送的所述超声参数信息之后，所述方法还包括：
所述数据终端发送预通知消息至所述云端服务器，所述预通知消息包括所述数据终端的设备号、所述数据终端接收所述超...

【专利技术属性】
技术研发人员：谢红宁，汪南，梁喆，冼建波，毛明春，
申请(专利权)人：广州爱孕记信息科技有限公司，汪南，
类型：发明
国别省市：广东;44