[发明专利]子宫内膜腺体密度预估方法

说明书

本发明公开了子宫内膜腺体密度预估方法，属于人工智能领域，方法包括训练检测网络进行训练，获取子宫内膜视频数据，截取宫腔镜图片，宫腔镜图片进行标准化处理，使用训练网络和匹配网络对宫腔镜图片进行识别获取腺体；将识别后的宫腔镜图片去重叠后进行组合，得到子宫内膜整体图像；得到子宫内膜腺体密度。本发明可以提高宫腔粘连分类的特异性及预测预后的准确性，基于深度学习的宫腔粘连判断机理进行分析，精确定位宫腔粘连的病理形态学靶点，通过策略选择更精准的对图像进行识别，可以大大的减少运算的过程，可以提前选择相应的兴趣特征值，提高检测的精度和效率，对宫腔粘连分类进行大数据的收集，提出宫腔粘连同质化诊疗方案。

技术领域

本发明涉及人工智能领域，尤其涉及子宫内膜腺体密度预估方法。

背景技术

宫腔粘连(IUA)，又称Asherman综合征，由于各种物理或化学因素造成的宫腔损伤、感染等原因，引起子宫内膜损伤，子宫壁间互相粘连，从而导致宫腔和(或)宫颈管部分或全部闭塞。根据粘连位置的不同，主要临床表现为月经量减少、闭经、周期性下腹痛、妊娠异常等，是引起流产及不孕的主要原因之一。在我国，导致宫腔粘连最常见的原因是人工流产，再加上宫腔镜技术逐渐普及，各种宫腔操作增多，IUA的发病率越来越高，并由于其复发率高，治疗疗效欠佳，严重影响育龄妇女的生育能力，也严重影响了患者家庭以及社会的稳定。病程的长短及疾病严重程度影响治疗的预后,早发现、早诊断、早治疗可以在一定程度上改善IUA患者的妊娠预后。而对宫腔粘连严重程度的判断影响了临床治疗决策。因此,及早精确、无创的诊断宫腔粘连并进行严重程度分级对于患者具有重要临床意义。对于有生育要求的IUA患者来说，其寻求治疗的目的主要在于获得子代。宫腔粘连患者术后的妊娠情况与IUA严重程度密切相关，因此对宫腔粘连患者进行分级对预测其预后及妊娠结局是非常有必要的。

目前对于宫腔粘连的诊断已达成共识，金标准是宫腔镜检查。IUA患者术后预后评估标准有美国生育协会评分标准、欧洲妇科内镜协会分级标准以及中国IUA评分标准等，但尚无一标准得到国际范围的认可，由于方法及技术的局限未将子宫内膜这一最直接影响预后的指标纳入这些评分标准。子宫内膜是受精卵着床与胚胎发育的决定性因素。子宫内膜腺体会分泌多种对胚胎存活、生长、发展至关重要的蛋白质，如粘蛋白MUC-1和糖蛋白-A，这也证实了子宫内膜腺体对妊娠的重要性。随着人工智能时代的到来，计算机辅助医学影像分析已在疾病的早期诊断中发挥了越来越重要的作用。新一代以深度学习为核心的人工智能技术能够自动提取高维特征，从而获得更高的分类准确率。因此设计一种高准确率的子宫内膜腺体密度预估方法，能为临床医疗决策提供重要辅助作用，为提升IUA无创诊断率及预后妊娠率提供新的思路和理论指导。

发明内容

本发明的目的在于提供子宫内膜腺体密度预估方法，解决现有子宫内膜腺体密度只能通过肉眼观察识别，效率不高的技术问题。

子宫内膜腺体密度预估方法，所述方法包括如下步骤，

步骤1：将标注的宫腔镜图片输入到训练检测网络进行训练，获取腺体图像特征；

步骤2：医生将医疗仪器探头放入子宫内获取子宫内膜视频数据，根据医疗仪器探头移动速度截取宫腔镜图片；

步骤3：将获取的宫腔镜图片进行标准化处理，标准化处理包括将宫腔镜图片统一清晰度处理以及去躁的正则化，并将处理的图像平面化贴图处理；

步骤4：使用训练网络和匹配网络对宫腔镜图片进行识别获取腺体；

步骤5：将识别后的宫腔镜图片去重叠后进行组合，得到子宫内膜整体图像；

步骤6：根据子宫内膜整体图像的大小和子宫内膜整体图像内的腺体个数得到子宫内膜腺体密度。