[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

说明书

本发明公开了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：包括步骤：1)采集子宫内膜超声扫查图像集，人工选出标准子宫纵切图，并勾画子宫内膜边界，同时作出分型标签，建立训练和测试样本集；2)对各图像进行滤波等图像预处理；去除噪声影响并达到图像增强效果；3)分别构建用于分割子宫内膜区域、分型深度学习模型，并分别输入训练集进行训练；5)对测试集图像进行上述同样的图像预处理，输入到已训练好的深度学习模型，进行分割，得到分割后的子宫内膜区域及分型结果；6)利用数字图像形态学算法和子宫内膜超声图像的分割结果计算出内膜厚度；通过本发明方法能够准确有效地提取子宫内膜区域并实现更精准的厚度测量及内膜分型。

技术领域

本发明涉及影像医学和数字图像信息处理技术领域，特别地是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。

背景技术

随着辅助生殖技术的发展，越来越多的不孕症患者通过接受体外受精-胚胎移植(IVF-ET)治疗成功获得妊娠。在此过程中，胚胎能否成功着床是妊娠的关键，这与胚胎的侵入能力及子宫内膜的容受性密切相关。尽管胚胎因素是着床成功率的重要因素，但如子宫内膜容受性不佳，优质胚胎同样会移植失败。近年来，超声是一种重要的子宫内膜容受性评估方法，而超声下进行内膜分型及子宫内膜厚度测量被证实为子宫内膜容受性、预测妊娠结局的重要指标之一。然而，由于该方法主观性、个体差异性大，受检查者经验限制，低年资医生判断子宫内膜分型及厚度测量准确性并不高。

基于此，本发明首先利用数字图像处理技术获取子宫标准纵切图的超声图像，再对该标准纵切图分割子宫内膜区域图像，再利用图像信息特征提取技术提取图像中的信息特征，最终达成内膜自动分型的目的，同时基于超声图像分割区域运用形态学原理计算出内膜的实际厚度。

发明内容

本发明的目的在于提供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，实现了对子宫内膜测量及分型判断的精度和效率的提高。

本发明通过以下技术方案实现的：

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，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。

其中，图像数据收集，收集一定数量的子宫超声图像，结合高年资医生经验对其做出对应的分型标注并勾画出子宫内膜的区域；

构建处理模型，利用所述收集样本作为训练集，基于计算机深度学习技术分别训练出用于分割图像子宫内膜区域、对子宫内膜超声图分型的神经网络模型，该模型负责完成子宫内膜超声图像的自动分割分型。

厚度的测量与计算，基于计算机图形学以及形态学设计算法，利用该算法以及上述超声图像中内膜区域的分割结果计算出子宫内膜的具体厚度。