本发明专利技术公开了一种孕囊及胚芽自动测量方法、系统、装置及介质，方法包括：获取早孕期超声图像；利用孕囊及胚芽分割模型，对早孕期超声图像进行分析，获得早孕期超声图像的孕囊及胚芽的目标分割平面；根据目标分割平面，通过LSTM时间序列模型，获得标准平面；基于标准平面，确定测量经线，得到孕囊及胚芽的测量结果。本发明专利技术在获得早孕期超声图像后，利用预先建立的孕囊及胚芽分割模型，对该早孕期超声图像进行分析，获得目标分割平面，进而通过LSTM时间序列模型获取标准平面，实现测量经线的确定，能够实现自动且准确测量孕囊及胚芽，提高了孕囊及胚芽的测量精度，可广泛应用于图像检测技术领域。术领域。术领域。
【技术实现步骤摘要】
一种孕囊及胚芽自动测量方法、系统、装置及介质
[0001]本专利技术涉及图像检测
，尤其是一种孕囊及胚芽自动测量方法、系统、装置及介质。
技术介绍
[0002]妊娠早期(小于孕10周)是胎儿器官分化、形成的重要时期，也是流产、宫外孕等早孕期不良妊娠事件发生最频繁的时期。经阴道超声检查目前是评估孕龄和估计分娩时间的最佳方法，也是评估胎儿生长发育最早最直接的指标之一。通过对孕囊与胚芽的规范化测量，可以判断宫内妊娠、核准孕周及确认胚胎活性，合理指导产前检查与孕期保健时间、次数及临床决策。
[0003]然而，目前早孕期(妊娠6～13+6周)超声筛查面临技术标准缺乏、公开数据集少、早孕检查结果敏感性低等诸多难题，现有的大多数AI智能辅助诊断方法做的都是针对中晚孕期超声图像进行产筛切面对的最优标准切面分类(中国专利申请：CN112155602A)，训练一个多标签分类网络模型或多个单疾病分类模型，然后对输入图像进行预测(中国专利申请：CN112155604A，CN112215806A)。以上研究对于图片质量要求高，将深度卷积神经网络模型学到的疾病特征信息通过权重比较是否更接近人工标注的标准切面，以此辅助医生诊断。对于动态超声视频中精细结构的小目标分割研究，需要大量的人工标注及资料收集，其基于深度学习框架相关研究较少，目前仅限于胎儿标准四腔心(CN 111062948A)、成人超声心动图左室收缩功能测定等相关多组织分割。
[0004]目前估测孕周的方法主要为：末次月经日期推算、超声医师手工测量和术后病理。在女性月经规律前提下，末次月经的第一天即妊娠龄的第一天。月经周期不规则或无排卵周期情况下，受精的确切日期未知，因此，用超声确定妊娠的日期成为建立孕周的最可靠方法。对于比较早的孕周，当胎儿相对较小，测量误差对孕周判断会产生更为显著的效应。因此，国际超声指南判断孕周最合适的时间是8到13+6周，早于孕8周前的测量不够精准。同时美国妇产超声协会提出，经阴道超声检查胚芽长度超过7mm时应有胎心搏动，平均孕囊直径大于25毫米，应有胚胎。否则为胚胎停育，该判断仅依靠操作者的肉眼观测及手工测量，存在一定的局限性，其敏感性、特异性较低。鉴于此，如何准确测量孕囊及胚芽是一个亟需解决的问题。
技术实现思路
[0005]有鉴于此，本专利技术实施例提供一种孕囊及胚芽自动测量方法、系统、装置及介质，能够实现孕囊及胚芽的准确测量。
[0006]一方面，本专利技术的实施例提供了一种孕囊及胚芽自动测量方法，包括：
[0007]获取早孕期超声图像；
[0008]利用孕囊及胚芽分割模型，对所述早孕期超声图像进行分析，获得所述早孕期超声图像的孕囊及胚芽的目标分割平面；其中，所述孕囊及胚芽分割模型通过已标注分割标
签的早孕期超声图像训练生成的；所述孕囊及胚芽分割模型包括ResNet
‑
50网络和UNet卷积网络；所述ResNet
‑
50网络基于Mask RCNN框架搭建，所述UNet卷积网络添加有注意力机制模块；
[0009]根据所述目标分割平面，通过LSTM时间序列模型，获得标准平面；
[0010]基于所述标准平面，确定测量经线，得到孕囊及胚芽的测量结果。
[0011]可选地，所述获取早孕期超声图像，包括：
[0012]获取早孕期超声视频；
[0013]对所述早孕期超声视频进行视频分帧、关键帧筛选和图像处理，得到早孕期超声图像；其中，所述图像处理包括归一化操作、尺度缩放和数据增强。
[0014]可选地，还包括：
[0015]基于已标注分割标签的早孕期超声图像，创建孕囊及胚芽分割模型。
[0016]可选地，所述基于已标注分割标签的早孕期超声图像，创建孕囊及胚芽分割模型，包括：
[0017]根据所述已标注分割标签的早孕期超声图像，确定训练集；
[0018]基于Mask RCNN框架，使用ResNet
‑
50网络作为骨干网络搭建First Trimester
‑
Mask RCNN；
[0019]通过在UNet卷积网络中添加注意力机制模块搭建First Trimester
‑
UNet；
[0020]根据所述First Trimester
‑
Mask RCNN和所述First Trimester
‑
UNet，创建多种多目标分割模型；
[0021]通过所述训练集对所述多种多目标分割模型进行分割训练，并基于训练结果，对所述多种多目标分割模型进行调整，获得孕囊及胚芽分割模型。
[0022]可选地，所述基于Mask RCNN框架，使用ResNet
‑
50网络作为骨干网络搭建First Trimester
‑
Mask RCNN，包括：
[0023]基于Mask RCNN框架，使用ResNet
‑
50网络作为骨干网络，结合特征金字塔网络结构和Point
‑
Head，搭建得到First Trimester
‑
UNet；其中，所述特征金字塔网络结构用于多尺度图像的特征提取，所述Point
‑
Head用于分割边缘的加权细化。
[0024]可选地，所述利用孕囊及胚芽分割模型，对所述早孕期超声图像进行分析，获得所述早孕期超声图像的孕囊及胚芽的目标分割平面，包括：
[0025]利用孕囊及胚芽分割模型，提取所述早孕期超声图像的像素特征表达；
[0026]基于所述像素特征表达，通过所述注意力机制模块进行特征增强，得到增强特征的特征表示；
[0027]根据所述增强特征表示，确定分割结果，得到所述早孕期超声图像的孕囊及胚芽的目标分割平面。
[0028]可选地，所述基于所述标准平面，确定测量经线，得到孕囊及胚芽的测量结果，包括：
[0029]基于所述标准平面，利用OpenCV工具获得测量经线，得到孕囊及胚芽的测量结果；
[0030]其中，所述孕囊及胚芽的测量结果包括评价孕囊直径和胚芽长度。
[0031]另一方面，本专利技术的实施例提供了一种孕囊及胚芽自动测量系统，包括：
[0032]第一模块，用于获取早孕期超声图像；
[0033]第二模块，用于利用孕囊及胚芽分割模型，对所述早孕期超声图像进行分析，获得所述早孕期超声图像的孕囊及胚芽的目标分割平面；其中，所述孕囊及胚芽分割模型通过已标注分割标签的早孕期超声图像训练生成的；所述孕囊及胚芽分割模型包括ResNet
‑
50网络和UNet卷积网络；所述ResNet
‑
50网络基于Mask RCNN框架搭建，所述UNet卷积网络添加有注意力机制模块；
[0034]第三模块，用于根据所述目标分割平面，通过LSTM时间序列模型，获得标准平面；
[0035]第四模块，用于基于所述标准本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种孕囊及胚芽自动测量方法，其特征在于，包括：获取早孕期超声图像；利用孕囊及胚芽分割模型，对所述早孕期超声图像进行分析，获得所述早孕期超声图像的孕囊及胚芽的目标分割平面；其中，所述孕囊及胚芽分割模型通过已标注分割标签的早孕期超声图像训练生成的；所述孕囊及胚芽分割模型包括ResNet
‑
50网络和UNet卷积网络；所述ResNet
‑
50网络基于Mask RCNN框架搭建，所述UNet卷积网络添加有注意力机制模块；根据所述目标分割平面，通过LSTM时间序列模型，获得标准平面；基于所述标准平面，确定测量经线，得到孕囊及胚芽的测量结果。2.根据权利要求1所述的一种孕囊及胚芽自动测量方法，其特征在于，所述获取早孕期超声图像，包括：获取早孕期超声视频；对所述早孕期超声视频进行视频分帧、关键帧筛选和图像处理，得到早孕期超声图像；其中，所述图像处理包括归一化操作、尺度缩放和数据增强。3.根据权利要求1所述的一种孕囊及胚芽自动测量方法，其特征在于，还包括：基于已标注分割标签的早孕期超声图像，创建孕囊及胚芽分割模型。4.根据权利要求3所述的一种孕囊及胚芽自动测量方法，其特征在于，所述基于已标注分割标签的早孕期超声图像，创建孕囊及胚芽分割模型，包括：根据所述已标注分割标签的早孕期超声图像，确定训练集；基于Mask RCNN框架，使用ResNet
‑
50网络作为骨干网络搭建First Trimester
‑
MaskRCNN；通过在UNet卷积网络中添加注意力机制模块搭建First Trimester
‑
UNet；根据所述First Trimester
‑
Mask RCNN和所述First Trimester
‑
UNet，创建多种多目标分割模型；通过所述训练集对所述多种多目标分割模型进行分割训练，并基于训练结果，对所述多种多目标分割模型进行调整，获得孕囊及胚芽分割模型。5.根据权利要求4所述的一种孕囊及胚芽自动测量方法，其特征在于，所述基于Mask RCNN框架，使用ResNet
‑
50网络作为骨干网络搭建First Trimester
‑
Mask RCNN...
【专利技术属性】
技术研发人员：高文静，李睿卓，尹训涛，夏慧敏，申屠伟慧，王海玉，王红英，张笑春，
申请(专利权)人：广州市妇女儿童医疗中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。