[发明专利]胎儿超声标准切面图像识别网络模型的训练方法和装置

说明书

本发明涉及人工智能技术领域，公开了一种胎儿超声标准切面图像识别网络模型的训练方法和装置，所述方法包括：构建已完成预训练的教师网络模型和未训练的第一学生网络模型，教师网络模型和第一学生网络模型均是残差连接的卷积神经网络；基于教师网络模型的隐藏层知识训练第一学生网络模型的中间层获得第二学生网络模型；基于第二学生网络模型的自蒸馏知识和教师网络模型与第二学生网络模型输出样本间的相似度矩阵预测信息训练第二学生网络模型得到胎儿超声标准切面图像识别网络模型。本发明以此训练获得的胎儿超声标准切面图像识别网络模型其具有识别效率高、结构轻量便于部署的优点。

技术领域

本发明涉及人工智能技术领域，具体是指一种胎儿超声标准切面图像识别网络模型的训练方法和装置。

背景技术

产前超声检查是产妇在中孕期接受检查的重要步骤，是检查胎儿在母体内发育情况，降低缺陷胎儿出生率，预测早产风险的重要依据，可以为早期的干预和治疗提供指导。中孕期是胎儿各个系统发育成熟的最佳时机，此时超声检查图像清晰，且可以从各个角度观察胎儿的生长发育情况。其中，先天性心脏病在胎儿畸形发病率中占首位，是围产儿和新生儿死亡的重要原因，如不及时通过产前超声检查发现异常区域，并提早对产妇进行引产等措施，将在后期对产妇及其家庭造成更严重的身心伤害。在临床检查的过程中，具有丰富经验的专业临床医生利用超声设备获得胎儿各个部位的二维超声标准切面，然后根据每个切面制定的相应的评价指标，依据评价标准进行手动评价，在此基础上测量各种体征数据，以评估胎儿在母体内的发育情况，预测早产的风险。虽然传统的超声检查方法已经取得了一定进展，但产前超声检查用到的切面种类多、不同切面的主要结构和复杂程度都不一样，使用传统方式手动获取切面会面临很多问题，例如：

（1）标准切面的获取难度大，对超声医生的临床经验依赖度极高；

（2）因不同超声医生专业水平的差异，获取到的标准切面结果可能不同，切面图像的规范性得不到保障；

（3）临床工作效率低，易使孕妇受检时间过长，引起不良反应等。

由于具有丰富临床经验和熟练操作技巧的医生目前仍然较为缺乏，这一情况在欠发达地区更为严重。另一方面，胎儿超声标准切面的病变区域通常展现出不规则、形变、位置随机以及背景内容复杂等特点，仅凭临床医生主观诊断难以保证异常区域识别的准确率，影响早期缺陷胎儿识别的准确性。

现有的技术方案主要通过计算机辅诊断进行病变区域识别，采用动态纹理分析方法对图像的形状和感兴趣的纹理形状进行手工提取，再结合决策树、支持向量机、条件随机场等方法对胎儿超声标准切面图像的像素点进行分类，进行异常区域识别。另外一类是基于深度神经网络的辅诊方法，通过深度学习技术，利用大量标准化数据训练神经网络模型，对胎儿超声标准切面图像进行特征提取和高维特征与低维特征的特征融合，以图像到图像的方式产生稠密预测输出，从而提供当前图像中的异常区域的提示。

通过手动设计胎儿超声标准切面图像特征的方法非常依赖于超声设备和神经网络方面的先验知识，这些知识的获取和描述都较为困难，并且难以有效捕捉胎儿超声标准切面图像本质表达。因此，采用手工特征的计算机辅助胎儿标准切面识别方法的实际应用性较为局限。以卷积神经网络为代表的深度神经网络方法，通过其自动学习图像特征的能力，可以有效克服需要手工设计图像特征的问题。但已有的卷积神经网络模型的结构的设计主要面向自然图像处理的通用视觉任务场景，较难在医学图像识别的实际任务的应用场景中取得高性能的表现。

具体来说，胎儿超声标准切面图像和自然图像在图像复杂度和像素点的空间空间分布结构上存在较大的差别，采用目前主流的方法，即对基于自然图像预训练好的卷积神经网络模型上微调，往往难以达到良好的性能。同时，该方式也极易造成参数冗余的问题，增加不必要的时间开销，难以提高实时分析能力；基于此，采用残差神经网络模型结构，使用大量高质量的胎儿超声标准切面图像数据，直接训练此模型，经大量实验表明在胎儿超声标准切面图像识别中取得了优于其他现有方法的性能。