[发明专利]胎儿颈项透明层厚度测量方法

权利要求书

1.胎儿颈项透明层厚度测量方法，其特征在于：包括以下步骤：

步骤1，获取原始胎儿超声图像；

步骤2，去除原始胎儿超声图像中的敏感信息；

步骤3，将去除敏感信息后的图像输给已训练的模型，进行图形分割，从而得到图像分割结果；

步骤4，根据分割结果获取待测量区域的边缘特征，提取分割边界，对胎儿颈项透明层厚度进行测量；

所述步骤3中，所述已训练的模型为DeepLabv3+模型；

DeepLabv3+模型训练方法包括以下步骤：

步骤31，准备数据集，搭建DeepLabv3+模型，对DeepLabv3+模型进行训练；

步骤32，对在胎儿超声图像上训练DeepLabv3+模型并进行微调；

步骤33，降低损失函数，优化DeepLabv3+模型；

步骤34，训练时，原始图像与标记图像成对输入，图像中的每个像素对损失函数交叉熵是等同权重；

步骤35，使用随机梯度下降算法优化DeepLabv3+模型参数。

2.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述胎儿颈项透明层厚度自动测量方法在深度学习框架Pytorch下进行设计与测试。

3.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述步骤2中，所述敏感信息至少包含原始超声图像上的隐私类信息。

4.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述步骤33中，使用交叉熵代价函数作为损失函数，衡量预测值与实际值之间的差异，并优化DeepLabv3+模型。

5.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述步骤35中，使用随机梯度下降算法优化DeepLabv3+模型参数，使DeepLabv3+模型达到最优，整个训练过程，总计迭代 100轮，初始学习率为1×10^-7，每 2轮下降一次学习率。

6.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述步骤4中，提取分割边界的具体操作为：对得到的分割图像使用canny算法，提取分割图像的边界。

7.根据权利要求1-6任意一项所述的胎儿颈项透明层厚度测量方法，其特征在于：本方法基于图像深度学习的思路为：通过Pytorch框架，选择DeepLabv3+模型，清洗标注以后的影像数据集，通过对DeepLabv3+进行训练，调整参数以后，对胎儿颈项透明带影像的测量带进行特征识别、分割、提取和测量得出测量值。