【技术实现步骤摘要】
本申请涉及医学图像处理，特别是涉及一种基于超声图像的胎儿解剖结构小样本检测方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、超声由于其便携性、低成本和非侵入性而被广泛用于诊断、筛查和治疗许多疾病的成像方式。多年来，超声已被证明是妊娠期间首选的筛查方法，通常用于评估胎儿生长发育，以及监测妊娠和评估临床怀疑。对超声解剖结构的分析是胎儿筛查中最重要的部分之一，因为它提供了可能的胎儿畸形、胎盘定位受损和早产风险的直接证据。胎儿多解剖结构检测是超声解剖结构分析中的一项常见任务，通过同时检测多个解剖结构，更清晰地了解不同解剖结构之间的关联和影响，提供更全面的信息，帮助医生更准确地诊断。此外，多解剖结构检测还可以辅助下游任务，如标准位置检测。
2、近年来，深度学习方法在胎儿超声多解剖结构任务中表现优异。它们在检测速度和准确性上都明显超过传统方法，在心脏、大脑等解剖结构的分析中有着广泛的应用。然而，基于深度学习的目标检测方法仍然存在局限性。这些模型的准确性和精密度在很大程度上依赖于大量的训练数据，因此标记数据的稀缺性是这些方法面临的问题。在某些情况下，由于伦理和隐私规定，大量数据无法访问，罕见病等罕见病例难以获得可用样本。在这种情况下，深度学习模型无法提供令人满意的检测结果。小样本学习旨在通过对丰富的基本类别数据和较少的新类别数据进行训练，提高模型识别新类别的准确性和泛化能力，为解决深度学习模型的数据稀缺性问题提供了一种解决方案。小样本学习广泛应用于医学图像分析的研究，如肿瘤分割、疾病分类、图像配准等。大量研究表明，
3、可见，传统的基于超声图像的胎儿解剖结构小样本检测存在精度不佳的缺陷。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种准确的基于超声图像的胎儿解剖结构小样本检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种基于超声图像的胎儿解剖结构小样本检测方法。所述方法包括：
3、获取初始深度学习模型以及胎儿的标准超声图像，对所述标准超声图像进行特征提取得到特征图；所述初始深度学习模型的基本框架为defrcn，在所述基本框架中添加有tkrm模块(拓扑知识推理模块)和daeflm模块(区分能力增强特征学习模块)；
4、基于所述特征图、且通过所述daeflm模块以及所述初始深度学习模型中第一detection head得到第一分类分数；基于所述特征图、且通过所述tkrm模块得到包含多拓扑信息的融合特征图；
5、根据所述融合特征图、并通过所述初始深度学习模型中第二detection head得到第二分类分数和检测框；对所述第一分类分数和所述第二分类分数进行加权求和，得到目标分类分数；
6、根据所述目标分类分数与所述标准超声图像对应的分类结果、以及所述检测框，构建标准的faster-rcnn损失函数；
7、基于所述faster-rcnn损失函数对所述初始深度学习模型的模型参数进行调整，并将faster-rcnn损失函数最小时对应的模型作为目标深度学习模型；
8、根据所述目标深度学习模型进行胎儿解剖结构小样本检测。
9、在其中一个实施例中，所述基于所述特征图、且通过所述daeflm模块以及所述初始深度学习模型中第一detection head得到第一分类分数；基于所述特征图、且通过所述tkrm模块得到包含多拓扑信息的融合特征图包括：
10、提取所述特征图的候选框；
11、基于所述特征图、所述候选框以及所述初始深度学习模型中第一detectionhead，得到胎儿解剖结构的初始分类结果；
12、根据所述特征图、所述候选框、以及所述初始分类结果，且通过所述daeflm模块以及所述第一detection head，得到第一分类分数；
13、根据所述特征图以及所述初始分类结果、且通过所述tkrm模块得到包含多拓扑信息的融合特征图。
14、在其中一个实施例中，所述提取所述特征图的候选框包括：
15、利用rpn网络在得到的特征图上提取候选框。
16、在其中一个实施例中，所述基于所述特征图、所述候选框以及所述初始深度学习模型中第一detection head，得到胎儿解剖结构的初始分类结果包括：
17、利用roi池化层获取特征图和提取的候选框，将所述候选框对应的候选区域映射到特征图中，以将所述特征图池化为统一大小的区域特征图；
18、将所述区域特征图送入全连接层，得到固定大小的特征图；
19、将所述固定大小的特征图输入至所述初始深度学习模型中第一detection head，得到胎儿解剖结构的初始分类结果以及关键结构位置坐标。
20、在其中一个实施例中，所述根据所述特征图以及所述初始分类结果、且通过所述tkrm模块得到包含多拓扑信息的融合特征图包括：
21、将所述固定大小的特征图、所述初始分类结果、以及所述关键结构位置坐标输入至所述tkrm模块，得到包含多拓扑信息的融合特征图。
22、在其中一个实施例中，所述根据所述特征图、所述候选框、以及所述初始分类结果，且通过所述daeflm模块以及所述第一detection head，得到第一分类分数包括：
23、将所述区域特征图以及所述固定大小的特征图输入至daeflm模块中，经过分类处理之后，得到加权分类评分图；
24、将所述第一detection head输出所述初始分类结果与所述加权分类评分图加权求和得到第一分类分数。
25、第二方面，本申请还提供了一种基于超声图像的胎儿解剖结构小样本检测装置。所述装置包括：
26、数据获取模块，用于获取初始深度学习模型以及胎儿的标准超声图像，对所述标准超声图像进行特征提取得到特征图；所述初始深度学习模型的基本框架为defrcn，在所述基本框架中添加有tkrm模块和daeflm模块；
27、第一处理模块，用于基于所述特征图、且通过所述daeflm模块以及所述初始深度学习模型中第一detection head得到第一分类分数；基于所述特征图、且通过所述tkrm模块得到包含多拓扑信息的融合特征图；
28、第二处理模块，用于根据所述融合特征图、并通过所述初始深度学习模型中第二detection head得到第二分类分数和检测框；对所述第一分类分数和所述第二分类分数进行加权求和，得到目标分类分数；
29、损失函数构建模块，用于根据所述目标分类分数与所述标本文档来自技高网...
【技术保护点】
1.一种基于超声图像的胎儿解剖结构小样本检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述特征图、且通过所述DAEFLM模块以及所述初始深度学习模型中第一detection head得到第一分类分数；基于所述特征图、且通过所述TKRM模块得到包含多拓扑信息的融合特征图包括：
3.根据权利要求2所述的方法，其特征在于，所述提取所述特征图的候选框包括：
4.根据权利要求2所述的方法，其特征在于，所述基于所述特征图、所述候选框以及所述初始深度学习模型中第一detection head，得到胎儿解剖结构的初始分类结果包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述特征图以及所述初始分类结果、且通过所述TKRM模块得到包含多拓扑信息的融合特征图包括：
6.根据权利要求4所述的方法，其特征在于，所述根据所述特征图、所述候选框、以及所述初始分类结果，且通过所述DAEFLM模块以及所述第一detection head，得到第一分类分数包括：
7.一种基于超声图像的胎儿解
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于超声图像的胎儿解剖结构小样本检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述特征图、且通过所述daeflm模块以及所述初始深度学习模型中第一detection head得到第一分类分数；基于所述特征图、且通过所述tkrm模块得到包含多拓扑信息的融合特征图包括：
3.根据权利要求2所述的方法，其特征在于，所述提取所述特征图的候选框包括：
4.根据权利要求2所述的方法，其特征在于，所述基于所述特征图、所述候选框以及所述初始深度学习模型中第一detection head，得到胎儿解剖结构的初始分类结果包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述特征图以及所述初始分类结果、且通过所述tkrm模块得到包含多拓扑信息的融合特征图包...
【专利技术属性】
技术研发人员：李肯立，周清怡，谭光华，朱宁波，林剑新，刘楚波，唐卓，李胜利，喻平，
申请(专利权)人：湖南大学，
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。