[发明专利]胎儿颈项透明层厚度测量方法

说明书

本发明公开了胎儿颈项透明层厚度测量方法，依次包括以下步骤：输入原始胎儿超声正中矢状切面超声扫查图像；去除输入图像的敏感信息；输入给已训练好的DeepLabv3+，得到多角度图像分割结果；提取分割边界后完成测量。本发明实现对胎儿超声颈项透明层厚度精确测量，使用DeepLabv3+卷积神经网络模型有效分割识别胎儿正中矢状切面的区域，准确找出超声图像中颈背部皮下长条形无回声带，进而实现了胎儿颈项透明层厚度的测量，具有较高的精确性，适用于产前超声检查，有利于医生熟练掌握，使诊断结果具有客观性，降低误诊率，同时还能提高医疗资源的有效利用，具有较大的使用价值，有望向基层医院推广使用。

技术领域

本发明涉及医学超声诊断技术领域，具体涉及一种胎儿颈项透明层厚度测量方法。

背景技术

超声波检查是超声检查的一种方式，是一种非侵入性的诊断性检查，具有对受检者无痛苦、无损伤、无放射性等优点，越来越多的应用到医学检查中，尤其在产前检查中应用越来越广泛。医生利用产前B型超声检查观察胎儿的生长发育过程中的各项生长参数指标，防止缺陷胎儿出生，达到优生优育的目的。

颈项透明层指胎儿颈后皮下组织内液体积聚的厚度，标准测量方法为在胎儿正中矢状切面测量颈项透明层厚度，测量时胎头与脊柱呈一直线，测量点放置于两条高回声线的内侧缘进行测量。颈项透明层增厚不仅与唐氏综合征高度相关，还与胎儿各种先天性异常包括染色体异常、心血管系统、骨骼系统、代谢及血液系统异常有高度相关性。

目前，在临床实际诊断中，正中矢状切面上的颈项透明层厚度测量是由超声医生手动实现，这就造成以下五个方面不足：

1、基层医院医疗资源不足：基层医院缺乏有经验的超声医生以及先进的超声成像设备，特别是针对高龄产妇产前超声检查，需要到三甲医院进行，导致患者就诊困难；

2、超声检查工作效率不高：具有丰富临床经验的超声医生的数量较少，手动测量胎儿颈项透明层厚度速度相对较慢，导致效率低下；

3、难以控制超声影像检查质量：颈项透明层厚度测量要求超声医生能够正确掌握测量的标准切面和方法，如果超声医生经验水平不足，容易测量不规范，难以控制超声影像检查质量；

4、超声医生易患职业病；一方面目前超声医生数量缺乏，工作强度很高，同时超声医生需大量进行如移动探头、冻结图像等重复性工作，易患重复性压力损伤；

5、超声检查结果存在差异；在实际临床操作中，医生对获取的胎儿超声图像进行主观评估，由于不同的超声医生的经验和能力不同，导致超声检查结果存在主观性和差异性。

近年来，Bernardino等提出使用Sobel算子来帮助医生手动检测颈项透明层的厚度，Lee等提出了一个代价函数来测量颈项透明层的厚度，代价函数由梯度部分和连续性部分组成，基于这个代价函数，采用动态规划算法来搜索颈项透明层的厚度。上述方法都需要人工选取颈项透明层的感兴趣区域。国内，复旦大学汪源源团队提出了一个分层模型，在很好表征胎儿颈项透明层信息的同时，考虑了上下文信息，实现了颈项透明层的自动提取，但其自动识别的准确率仅约60%。因此目前还尚未有全自动精准测量颈项透明层厚度的方案，如何提高颈项透明层厚度测量的准确性，能否结合深度学习对超声图像进行处理和分析，提供一个客观的标准化操作规范，辅助医生进行诊断是智能超声领域值得突破的难题。

受到生物神经系统的启发，卷积神经网络（Convolutional Neural Networks，CNN）在物体识别和检测领域已经获得了巨大的成功，其中深度卷积神经网络（DeepConvolutional Neural Networks，DCNN）发展非常迅速。DCNN在传统多层感知器的基础上受大脑神经元结构启发变异而来，具有非常强大的特征学习以及特征表达能力。DCNN目前已在图像配准、组织分割、计算机辅助疾病诊断和预后评估等多个医学图像领域成功应用。但针对胎儿超声正中矢状切面上的颈项透明层厚度测量，仍没有基于DCNN的全自动测量方法出现。

发明内容