目的超聲胎兒頭部邊緣檢測是胎兒頭圍測量的關(guān)鍵步驟,因胎兒頭部超聲圖像邊界模糊、超聲聲影造成圖像中胎兒顱骨部分缺失、羊水及子宮壁形成與胎兒頭部紋理及灰度相似的結(jié)構(gòu)等因素干擾,給超聲胎兒頭部邊緣檢測及頭圍測量帶來一定的難度。本文提出一種基于端到端的神經(jīng)網(wǎng)絡超聲圖像分割方法,用于胎兒頭部邊緣檢測。方法以UNet++神經(jīng)網(wǎng)絡結(jié)構(gòu)為基礎,結(jié)合UNet++最后一層特征,構(gòu)成融合型UNet++網(wǎng)絡。訓練過程中,為緩解模型訓練過擬合問題,在每一卷積層后接一個空間dropout層。具體思路是通過融合型UNet++深度神經(jīng)網(wǎng)絡提取超聲胎兒頭部圖像特征,通過胎兒頭部區(qū)域概率圖預測,輸出胎兒頭部語義分割的感興趣區(qū)域。進一步獲取胎兒的頭部邊緣關(guān)鍵點信息,并采用邊緣曲線擬合方法擬合邊緣,最終測量出胎兒頭圍大小。結(jié)果針對現(xiàn)有2維超聲胎兒頭圍自動測量公開數(shù)據(jù)集HC18,以Dice系數(shù)、Hausdorff距離（HD）、頭圍絕對差值（AD）等指標評估本文模型性能,結(jié)果 Dice系數(shù)為98. 06%,HD距離為1. 21±0. 69 mm,頭圍測量AD為1. 84±1. 73 mm。在妊娠中期測試數(shù)據(jù)中,Dice系數(shù)為98... 

【文章來源】：中國圖象圖形學報. 2020,25(02)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

超聲胎兒頭圍測量框圖

UNet++網(wǎng)絡拓撲結(jié)構(gòu)如圖2所示，由編碼結(jié)構(gòu)、解碼結(jié)構(gòu)和密集跳躍連接組成。相同尺寸大小的特征圖定義為同一層，自上而下分別為第1 5層，用L1 L5表示。每一個節(jié)點代表一個特征提取模塊，每個特征模塊由兩個3×3的卷積層組成，其卷積操作之后，接修正線性單元(ReLU)。UNet++通過不同層之間由淺入深的空間信息融合，以及同一層模塊之間密集跳躍連接的語義信息融合，縮短編碼器與解碼器之間的語義鴻溝，充分利用上下文特征，網(wǎng)絡模型能充分有效地捕獲目標的細節(jié)特征，提升分割性能。UNet++結(jié)構(gòu)中，在不同網(wǎng)絡層之間，自上而下，將編碼器特征與下一層編碼器上采樣特征進行融合。融合后的模塊輸出繼續(xù)與下一層相應模塊上采樣特征再融合，如此迭代下去，直到模塊下一層沒有對應的上采樣模塊。每一模塊的輸出結(jié)果為

如圖2所示，在UNet++的L1層特征塊中，每個特征塊都包含空間信息和語義信息。對于中間層的輸出特征，其定位信息比較精確，而深層的輸出特征能準確獲取圖像像素級的類別信息。為了充分利用各輸出層特征塊之間信息差異，本文將UNet++模型的L1層中各特征提取模塊進行特征融合，將其融合為更加豐富的特征，構(gòu)成融合型UNet++網(wǎng)絡，對融合后的輸出進行深度監(jiān)督，根據(jù)融合輸出結(jié)果，通過反向傳播算法調(diào)整網(wǎng)絡參數(shù)，能有效提升圖像分割效果，如圖3所示。L1層特征融合網(wǎng)絡結(jié)構(gòu)先將L1層最后3個卷積特征塊進行通道連接，再用一個卷積模塊提取通道連接后的特征信息，即進行特征融合，最后輸出特征融合后的預測結(jié)果。在融合型UNet++中，根據(jù)預測結(jié)果計算損失，通過反向傳播，調(diào)節(jié)網(wǎng)絡參數(shù)。這不僅影響融合特征的輸出，還能通過對整體網(wǎng)絡的參數(shù)調(diào)整，達到對淺層、中層和深層輸出結(jié)果在不同程度上的優(yōu)化作用。這也是融合型UNet++網(wǎng)絡的深層輸出結(jié)果優(yōu)于原有UNet++網(wǎng)絡單一深層輸出結(jié)果的原因。因淺層輸出預測結(jié)果十分粗糙，錯誤預測區(qū)域范圍較大，融合該層預測信息，未能產(chǎn)生很好的效果。因此，本文僅選擇L1層的中層與深層的特征進行融合。實驗結(jié)果表明，融合型UNet++的圖像分割效果好于UNet++。特別是在邊緣模糊、圖像中存在與胎兒頭部輪廓相似結(jié)構(gòu)等情況下，其圖像分割區(qū)域能正確預測，減小誤差。從各項評估指標比較，融合型UNet++網(wǎng)絡較U-Net或UNet++均有明顯提升。

【參考文獻】：
期刊論文
[1]超聲圖像胎兒顱骨橢圓自動檢測方法[J]. 陳凱,李勝利,唐娉.  中國圖象圖形學報. 2009(12)



本文編號：3422415