[发明专利]一种基于机器学习检测胎儿颅脑异常的系统

权利要求书

1.一种基于机器学习检测胎儿颅脑异常的系统，其特征在于，包括：

第一模块，用于获取不同孕周系列的胎儿颅脑标准切面数据集；

第二模块，用于对第一模块获取的胎儿颅脑标准切面数据集进行预处理，以得到预处理后的胎儿颅脑标准切面数据集；第二模块包括以下子模块：

第一子模块，用于针对胎儿颅脑标准切面数据集中的每一幅标准切面图像而言，利用自适应均值滤波法对该标准切面图像进行去噪处理，并将去噪处理后的标准切面图像裁剪成统一的尺寸，以得到裁剪后的标准切面图像；

第二子模块，用于利用自适应中值滤波法对第一子模块得到的裁剪后的每一幅标准切面图像进行去噪处理，将去噪 处理后的每一幅标准切面图像发送到放射科专家处进行标记，并获得标记后的每一幅标准切面图像；

第三子模块，用于对第二子模块得到的标记后的每一幅标准切面图像进行归一化处理，以获得归一化后的标准切面图像，所有归一化后的标准切面图像构成预处理后的胎儿颅脑标准切面数据集；

第三模块，用于将第二模块预处理后的胎儿颅脑标准切面数据集输入训练好的颅脑组织检测网络中，以获得胎儿颅脑中各关键组织的检测结果；颅脑组织检测网络包括顺次连接的深度卷积神经网络、RPN网络、ROI池化层、以及分类与回归部分；颅脑组织检测网络是通过以下步骤训练得到的：

(a1)获取胎儿颅脑的标准切面图像；

(a2)利用深度卷积神经网络对步骤(a1)得到的数据集进行特征提取，以得到特征图，利用RPN网络在得到的特征图上提取候选框，利用ROI池化层获取特征图和提取的候选框，将候选框对应的候选区域映射到特征图中，以将该特征图池化为统一大小的区域特征图，将该区域特征图送入全连接层，从而得到固定大小的特征图，将该特征图输入分类与回归部，经过该分类与回归部中全连接层的两个分支后，得到胎儿颅脑中关键组织的分类、以及关键组织的精确位置坐标；

(a3)利用Adam算法对颅脑组织检测网络进行优化，并利用Keras框架对优化后的颅脑组织检测网络进行迭代训练；

第四模块，用于根据第三模块得到的胎儿颅脑中各关键组织的检测结果判断胎儿颅脑中的至少一个关键组织是否存在异常，如果不存在异常，则提示胎儿颅脑正常，过程结束；如果存在异常，则提示胎儿可能存在哪些相关的颅脑异常，过程结束；其中颅脑组织检测网络中的深度卷积神经网络结构为：

第一层是输入层，输入为512*512*3的像素矩阵；

第二层是第一卷积层，其接收来自输入层的512*512*3的像素矩阵，该层使用32个大小为3*3的卷积核，该层步长为1，后面接入RELU激活函数和BN，该层输出矩阵大小为512*512*32；

第三层是第二卷积层，该层使用64个大小为3*3的卷积核，步长为1，后面接入RELU激活函数和BN，该层输出矩阵为512*512*64；

第四层是第三卷积层，使用64个大小尺寸为3*3的卷积核，步长为1，后面接入Droupt操作、RELU激活函数和BN，该层的输出的矩阵为512*512*64；

第五层为第一池化层，池化窗口尺寸为2*2，步长为2，输出的矩阵大小为256*256*64；

第六层是第四卷积层，该层使用128个大小为3*3的卷积核，步长为1，输出的矩阵为256*256*128；

第七层是第五卷积层，该层使用256个大小为3*3的卷积核，步长为2，后面接入Droupt操作、RELU激活函数和BN，输出的矩阵为128*128*256；

第八层是第六卷积层，该层使用256个大小为3*3的卷积核，步长为1，后面接入Droupt操作、RELU激活函数和BN，输出的矩阵为128*128*256；

第九层为第二池化层，池化窗口尺寸为2*2，步长为2，输出的矩阵大小为64*64*256；

第十层是第七卷积层，该层使用256个大小为3*3的卷积核，步长为1，后面接入RELU激活函数和BN，输出的矩阵为64*64*256；

第十一层是第八卷积层，该层使用256个大小为3*3的卷积核，步长为1，后面接入RELU激活函数和BN，输出的矩阵为64*64*256；

第十二层是第九卷积层，该层使用256个大小为3*3的卷积核，步长为1，后面接入Droupt操作、RELU激活函数和BN，输出的矩阵为64*64*256；

第十三层为第三池化层，池化窗口尺寸为2*2，步长为2，输出的矩阵大小为32*32*256；

第十四层是第十卷积层，该层使用256个大小为3*3的卷积核，步长为1，后面接入RELU激活函数和BN，输出的特征矩阵为32*32*256。