基于机器学习的胎儿肺脏超声影像成熟度预测方法技术

本发明专利技术提供了一种基于机器学习的胎儿肺脏超声影像成熟度预测方法、设备及系统，涉及智能医疗领域。所述方法包括：获取胎儿超声图像；对所述超声图像进行特征提取，得到图像特征，所述特征提取为：利用RPN在所述超声图像中生成候选区域，对所述候选区域基于全卷积网络进行分割得到全局特征图和局部特征图，对所述局部特征图采用注意力生成器调整权重分布得到加权的局部特征图，将所述加权的局部特征图与所述全局特征图进行拼接，得到所述图像特征；将所述图像特征输入机器学习模型中，预测胎儿肺脏成熟度。本发明专利技术采用先进的图像处理和机器学习技术，能够准确地评估和预测胎儿肺脏的成熟度，有重要的科研和临床价值。有重要的科研和临床价值。有重要的科研和临床价值。

【技术实现步骤摘要】
基于机器学习的胎儿肺脏超声影像成熟度预测方法


[0001]本专利技术属于智能医疗领域，更具体地，涉及一种基于机器学习的胎儿肺脏超声影像成熟度预测的方法、设备、系统、计算机可读存储介质及其应用。

技术介绍

[0002]肺脏是人体主要的呼吸器官，胎儿肺脏发育是否成熟直接决定了新生儿能否在宫外存活。早产儿肺脏发育不成熟，易发生新生儿呼吸系统疾病（Neonatal respiratory morbidity，NRM），NRM是早产儿死亡主要原因。产前评估胎儿肺脏成熟度可以有效预测NRM的发病率，降低早产儿发病及死亡风险，帮助高危妊娠孕妇选择分娩时间，避免医源性早产。产前糖皮质激素（antenatal corticostemids，ACS）治疗降低了早产儿的发病及死亡风险。但ACS治疗后胎儿肺脏成熟度与否尚无有效评估方法。妊娠期糖尿病（Gestational diabetes mellitus ，GDM）、子痫前期(Preeclampsia，PE)、胎儿生长受限(fetal growth restriction FGR)、羊水过少、胎儿胸腔肿物等常见妊娠期疾病也会影响胎儿肺脏发育成熟。
[0003]对于这类患者，分娩前评估胎儿肺脏成熟度也对临床具有至关重要价值。胎儿肺脏的成熟度是指胎儿肺泡表面活性物质（PS）的产生和肺脏功能的发育情况。在胎儿肺泡发育成熟之前，如果早产或胎儿出现呼吸窘迫综合征等肺部疾病，将会对婴儿的生命和健康造成重大影响。
[0004]传统的胎儿肺脏成熟度评估方法主要通过羊水检测，但该方法为有创的检测方法，已基本停止应用于临床。目前，超声医生通过一些超声图像特征对胎儿肺脏发育情况进行评估，所述特征有：胎儿肺脏面积、体积大小、肺脏回声强度及肺肝回声强度比等。然而，这种主观评估方法存在一定的局限性和不确定性。
[0005]现有技术有以下最相近案例：CN202310353365.1提出一种基于异构域的医学图像分类方法和系统，本方法首先由特征提取器提取每一个模态图像中与病理性相关的图像特征，然后根据最大均值差异法学习属于同一种模态的图像特征之间的共有信息，然后根据域鉴别器学习不同模态的特征之间的一致性属性，最后利用分类器基于学习到的共有信息和一致性信息，得到分类器对脑科医学图像的病理性分类结果。本方法不仅充分学习了同模态图像之间关于病理信息的共有特征，而且还充分的学习了不同模态图像之间关于病理信息的一致性特征，充分利用不同模态图像中的这两类特征信息实现图像病理性分类，不仅能提高分类效率，而且也能提高图像病理性分类准确度。
[0006]CN202310033703.3提出一种基于自监督和小样本学习的医学图像识别方法、装置、计算机设备、可存储介质，利用图像增强技术对同一张pCLE图像进行两次随机增强得到不同的实例，并将两个实例分别输入到孪生神经网络获得相应的图像特征嵌入；接着，对两个图像特征嵌入进行特征混合，使用pCLE图像数据集对孪生神经网络进行无监督范式的训练，将获得的预训练模型与分类器进行结合来完成对常见疾病pCLE图像的识别，利用在自
监督学习中获得的预训练模型与基于度量的元学习相结合来进一步微调孪生神经网络，以实现对稀有疾病下的pCLE图像的识别，具有较好的泛化性，有效实现了对常见类别疾病和稀有类别疾病两种场景下的pCLE图像的精准识别。
[0007]CN202210845069.9提出一种医学图像处理方法、装置、计算机设备及存储介质，其中方法包括：获取目标头部三维图像，并根据预设的分割模型，对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测，得到初始病灶三维掩膜；根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜；根据所述二值化三维掩膜，从所述目标头部三维图像中提取阳性三维图像块；将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测，得到单图像块阳性概率；根据各个所述单图像块阳性概率，对所述二值化三维掩膜进行假阳性抑制处理，得到目标三维掩膜。从而降低了输出的目标三维掩膜的假阳性。

技术实现思路

[0008]现有技术创新性好，但仍然存在以下问题难以解决：1、主观性和操作依赖性：传统的胎儿肺脏成熟度评估方法通常依赖医生的主观判断和经验，结果可能存在主观偏差，并且不同医生之间的评估结果可能存在差异。
[0009]2、模型精度低：现有的人工智能模型通常存在模型精度低、泛化能力差、鲁棒性差等特点，传统的深度学习算法容易产生梯度消失和梯度爆炸现象，而基于计算机视觉的算法容易在特征提取时无法挖掘充分有效的信息，导致预测精度下降。
[0010]3、时间和成本高昂：传统方法需要医生手动测量和评估胎儿肺脏超声图像，耗时且需要专业人员参与，增加了医疗成本和工作负担。
[0011]本专利技术针对上述问题，公开一种基于机器学习的胎儿肺脏超声影像成熟度预测方法，所述方法包括：获取胎儿超声图像；对所述超声图像进行特征提取，得到第一图像特征，所述特征提取为：使用RPN在所述超声图像中生成候选区域，对所述候选区域基于全卷积网络进行分割得到全局特征图和局部特征图，对所述局部特征图采用注意力生成器调整权重分布得到加权的局部特征图，将所述加权的局部特征图与所述全局特征图进行拼接，得到所述第一图像特征；将所述第一图像特征输入机器学习模型中，预测胎儿肺脏成熟度。
[0012]进一步，所述胎儿超声图像为标准四腔心切面，所述标准四腔心切面显示了完整的胎儿胸廓、双侧肺脏组织、降主动脉位置和心脏结构。
[0013]进一步，所述特征提取具体包括：步骤1：使用RPN在所述超声图像中生成候选区域，计算每个候选区域的边界框得分和偏移量；步骤2：使用全卷积网络分割每个候选区域的得到全局特征图和局部特征图；步骤3：基于所述全局特征图和注意力生成器生成注意力图，将所述局部特征图和所述注意力图进行逐元素相乘得到加权的局部特征图；步骤4：将所述加权的局部特征图与全局特征图进行拼接，得到第一图像特征。
[0014]进一步，所述方法还包括采用结合纹理特征改进滤波过程的高斯滤波方法处理所
述超声图像，得到第二图像特征，将所述第一图像特征和第二图像特征或第一图像特征和第二图像特征的融合特征输入机器学习模型中，预测胎儿肺脏成熟度。
[0015]进一步，所述采用结合纹理特征改进滤波过程的高斯滤波方法，具体步骤包括：步骤1：计算纹理特征图：使用灰度共生矩阵特征描述符计算所述超声图像的纹理特征图；步骤2：计算纹理权重：基于所述纹理特征图计算每个像素的纹理权重；步骤3：应用加权高斯滤波：基于所述纹理权重对所述超声图像进行加权高斯滤波，通过加权平均值得到滤波后的像素值。
[0016]进一步，所述方法还包括采用CNN和Transformer集合模块混合模型对所述超声图像进行特征提取，得到第三图像特征，将所述第一图像特征和第三图像特征或第一图像特征和第三图像特征的融合特征输入机器学习模型中，预测胎儿肺脏成熟度；所述CNN和Transformer集合模块混合模型首本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的胎儿肺脏超声影像成熟度预测方法，其特征在于，所述方法包括：获取胎儿超声图像；对所述超声图像进行特征提取，得到第一图像特征，所述特征提取为：使用RPN在所述超声图像中生成候选区域，对所述候选区域基于全卷积网络进行分割得到全局特征图和局部特征图，对所述局部特征图采用注意力生成器调整权重分布得到加权的局部特征图，将所述加权的局部特征图与所述全局特征图进行拼接，得到所述第一图像特征；将所述第一图像特征输入机器学习模型中，预测胎儿肺脏成熟度。2.根据权利要求1所述的基于机器学习的胎儿肺脏超声影像成熟度预测方法，其特征在于，所述胎儿超声图像为标准四腔心切面，所述标准四腔心切面显示了完整的胎儿胸廓、双侧肺脏组织、降主动脉位置和心脏结构。3.根据权利要求1所述的基于机器学习的胎儿肺脏超声影像成熟度预测方法，其特征在于，所述特征提取具体包括：步骤1：使用RPN在所述超声图像中生成候选区域，计算每个候选区域的边界框得分和偏移量；步骤2：使用全卷积网络分割每个候选区域的得到全局特征图和局部特征图；步骤3：基于所述全局特征图和注意力生成器生成注意力图，将所述局部特征图和所述注意力图进行逐元素相乘得到加权的局部特征图；步骤4：将所述加权的局部特征图与全局特征图进行拼接，得到第一图像特征。4.根据权利要求1所述的基于机器学习的胎儿肺脏超声影像成熟度预测方法，其特征在于，所述方法还包括采用结合纹理特征改进滤波过程的高斯滤波方法处理所述超声图像，得到第二图像特征，将所述第一图像特征和第二图像特征或第一图像特征和第二图像特征的融合特征输入机器学习模型中，预测胎儿肺脏成熟度。5.根据权利要求4所述的基于机器学习的胎儿肺脏超声影像成熟度预测方法，其特征在于，所述采用结合纹理特征改进滤波过程的高斯滤波方法，具体步骤包括：步骤1：计算纹理特征图：使用灰度共生矩阵特征描述符计算所述超声图像的纹理特征图；步骤2：计算纹理权重：基于所述纹理特征图计算每个像素的纹理权重；步骤3：应用加权高斯滤波：基于所述纹理权重对所述超声图像进行加权高斯滤波，通过加权平均值得到滤波后的像素值。6.根据权利要求1所述的基于机器学习的胎儿肺脏超声影像成熟度预测方法，其特征在于，所述方法还包括采用CNN和Transformer集合模块混合模型对所述超声图像进行特征提取，得到第三图像特征，将所述第一图像特征和第三图像特征或第一图像特征和第三图像特征的融合特征输入机器学习模型中，预测胎儿肺脏成熟度；所述CNN和Transformer集合模块混合模型首先利用CNN提取所述超声图像的特征得到特征图，将所述特征图输...

【专利技术属性】
技术研发人员：吴青青，夏太慧，宋世晶，侯晨晓，王莉，王晶晶，
申请(专利权)人：首都医科大学附属北京妇产医院，
类型：发明
国别省市：