[发明专利]一种基于子宫内膜超声图像的自动分割分型及厚度测量方法

权利要求书

1.一种基于子宫内膜超声图像的自动分割分型及厚度测量方法，其特征在于，包括以下步骤：

步骤S0：采集子宫内膜超声扫查图像集；

步骤S1：由人工分别选取出前、中、后位的标准子宫正中矢状切面图，对切面图勾画出子宫内膜区域的边界，并根据具体的子宫内膜型态作出分型判断，并标上相应的类别标签，完成训练数据集的收集；

步骤S2：输入原始数据图像，统一进行图像数据预处理，便于提升后续运算处理的预测准确性；

步骤S3：分别以预处理后的训练数据集训练子宫内膜分割模型和子宫内膜分型模型，用于分型和分割的预测；

步骤S4：输入新的扫查样本进行预测，先进行相同的图像数据预处理，获取子宫标准纵切图；

步骤S5：根据所述构建的子宫内膜区域分割模型，对所述获得的子宫标准纵切图进行分割，获得子宫内膜的划分区域；

步骤S6：根据所述构建的子宫内膜分型模型，对所得子宫标准纵切面提取信息并进行分类，得到分型结果；

步骤S7：对划分区域结果进行后处理，再结合超声图像与真实物体的比例，计算出子宫内膜的实际厚度。

2.根据权利要求1所述的一种基于子宫内膜超声图像的自动分割分型及厚度测量方法，其特征在于：所述步骤S2中，图像数据预处理包括以下步骤：

步骤S20：收集的超声图像为32位RGB彩图或是灰度图像，若为RGB图像则需如下公式将之线性变换为灰度值，其中x_R，x_G，x_B分别为其中一个像素RGB三个通道的值；

x_Gray＝0.299x_R+0.587x_G+0.114x_B

步骤S21：收集的超声图像四周保留有医院设备及病人检查相关信息时；针对此类超声图像需优先进行图像裁剪，直至仅保留黑色背景和子宫主体，通过裁减最大限度减少图像实例中的不必要信息并保留用于预测的主体；

步骤S22：选择CLAHE算法增加超声图像的对比度，CLAHE算法先对图像进行分块，后针对子块计算直方图并根据所设置阈值裁剪直方图，接着对像素点重新分配，构建出新的灰度值之间的映射，最后则是在块之间利用插值解决块间边缘过渡的问题。

3.根据权利要求2所述的一种基于子宫内膜超声图像的自动分割分型及厚度测量方法，其特征在于：所述步骤S2中，图像数据预处理还包括以下步骤：

步骤S23：当所收集的图像分辨率尺寸或许存在不一致时，为构建后续的预测模型，需要对图像缩放至相同的尺寸，缩放步骤可上述步骤S22均涉及计算机的图片重采样插值算法或使用双线性插值的方法，双线性插值的方法：对于目标采样点P,点Q₁₂，Q₂₂，Q₁₁，Q₂₁分分别为实际采样点，x₁，x₂，y₁，y₂则是这四个点的横纵坐标值，则点P的像素值可如下公式进行计算：

R₁＝(x，y₁)，Q₁₁＝(x₁，y₁)，Q₂₁＝(x₂，y₁)

R₂＝(x，y₂)，Q₁₂＝(x₁，y₂)，Q₂₂＝(x₂，y₂)

p==（x，y）。

4.根据权利要求2所述的一种基于子宫内膜超声图像的自动分割分型及厚度测量方法，其特征在于：所述步骤S2中，图像数据预处理还包括以下步骤：

步骤S24：为统一特征间的量纲，使输入预测模型的值分布更为集中，对子宫内膜分割模型和子宫内膜分型模型的输入进行标准化，使变换后的值分布以0为均值，以1为标准差，这样更利于加速预测模型的求解收敛速度以及后续预测的性能；具体计算公式如下，其中μ为总体样本的平均值，s为总体样本的标准差；

x′＝(x-μ)/s。