基于深度学习的胎儿颜面部超声标准切面自动识别

摘要：

在常规胎儿超声诊断过程中,精确识别出胎儿颜面部超声标准切面(FFSP)至关重要.传统方法是由医生进行主观评估,这种人工评判的方式不仅耗费时间精力,而且严重依赖操作者经验,所以结果往往不可靠.因此,临床超声诊断亟需一种FFSP自动识别方法.提出使用深度卷积网络识别FFSP,同时还分析不同深度的网络对于FFSP的识别性能.对于这些网络模型,采用不同的训练方式:随机初始化网络参数和基于ImageNet预训练基础网络的迁移学习.在研究中,数据采集的是孕周20～ 36周胎儿颜面部超声图像.训练集包括1 037张标准切面图像(轴状切面375张,冠状切面257张,矢状切面405张)以及3 812张非标准切面图像,共计4 849张;测试集包括792张标准切面图像和1 626张非标准切面图像,共计2 418张.最后测试集实验结果显示,迁移学习的方法使得网络识别结果增加9.29％,同时当网络结构由8层增加至16层时,分类结果提升3.17％,深度网络对于FFSP分类最高正确率为94.5％,相比之前研究方法的最好结果提升3.66％,表明深度卷积网络能够有效地检测出FFSP,为临床自动FFSP检测方法打下研究基础.

关键词：胎儿颜面部标准切面识别、超声图像、深度卷积网络、迁移学习

所属期刊栏目：36

分类号：R318(医用一般科学)

资助基金：广东省科技创新重点项目2014KXM052

在线出版日期：2017-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：267-275