[发明专利]一种基于深度学习的小儿髋关节超声图像质量检测方法

说明书

本发明提供了一种基于深度学习的小儿髋关节超声图像质量检测方法，包括一个构建小儿髋关节二维冠状位超声图像数据库的步骤；小儿髋关节二维冠状位超声图像数据库包含构建手工标记数据集和标准性判定数据集；一个基于深度学习方法的对小儿髋关节超声图像的七个关键结构进行分割训练的步骤；在分割训练的步骤中，输出带有七个解剖结构分割标记的超声图像；依据Graf超声诊断技术的图像质量标准建立图像质量检测方法；将标准性判定数据集中的所有图像作为输入，对该图像质量检测方法进行测试，最终输出基于分割结果的图像质量检测结果，即“图像标准”或“图像不标准”两种结果。

技术领域

本发明涉及物理领域，尤其涉及超声图像处理方法，具体来说是一种基于深度学习的小儿髋关节超声图像质量检测方法。

背景技术

发育性髋关节发育不良(Developmental Dysplasia of the Hip，DDH)是新生儿最常见的先天性疾病之一。目前，超声检查尤其是格拉夫超声技术是0-6月大DDH患儿首选的检查方式，但是其主要诊断指标在不同医师、不同扫描间的差异性很大，而这种差异主要是由于图像采集不标准导致的。更为重要的是，目前在小儿髋关节超声图像采集标准化上的研究有着明显的不足，且无法得到很好的临床应用。因此，用于小儿髋关节超声图像的标准化方法对于小儿髋关节发育情况的检测有着极其重要的临床意义，对于减少误诊、漏诊也有着极大的帮助。

2017年最新的格拉夫超声诊断技术的标准规范指出：除脱位或半脱位髋关节之外，对其余类型的髋关节进行测量和诊断之前，必须首先满足超声图像的标准性。超声图像是否标准首先要确定髋关节冠状切面中必要的七个解剖结构(检查表1)是否完整存在：即骨软骨交界面、股骨头、滑膜皱襞、关节囊与软骨膜、关节盂唇、骨性髋臼顶、软骨性髋臼顶这七个解剖点是否完整存在。另外，标准图像还需满足可用性检验(检查表2)，即满足髂骨下缘最低点、中间切面及关节盂唇这三个解剖要素是否完整可用。只有同时满足上述的7个解剖结构完整存在和可用性检验这两个要求，该髋关节超声图像才可被视作标准图像。

先前的研究更多的关注于利用器械来帮助医生找到更标准的检测位置，如使用辅助支架和探头引导系统。然而，由于没有标准化的限定条件来保证测量出来图像的标准性，这种方法只能一定程度上辅助医生来进行测量和诊断，实际上对诊断的帮助十分有限。除此之外，一些基于小样本的形态学检验方法也被使用在超声图像采集的设备软件上，然而，由于受到算法准确性的影响，这类方法错误多、临床实际使用少。近年来，深度学习的方法由于其具有通过实际案例不断学习、迭代更新、具有与人工相当的高准确率等特点得到广泛应用。

发明内容

针对现有技术中的上述技术问题，本发明提供了一种基于深度学习的小儿髋关节超声图像质量检测方法，所述的这种基于深度学习的小儿髋关节超声图像质量检测方法要解决现有技术中的发育性髋关节发育不良的诊断由于图像采集不标准容易引起误诊、漏诊的技术问题。

本发明提供了一种基于深度学习的小儿髋关节超声图像质量检测方法，其包括以下步骤：

1)一个构建小儿髋关节二维冠状位超声图像数据库的步骤；所述的小儿髋关节二维冠状位超声图像数据库包含构建手工标记数据集和标准性判定数据集；

2)一个基于深度学习方法的对小儿髋关节超声图像的七个关键结构进行分割训练的步骤；在分割训练的步骤中，输出带有骨-软骨交界面、股骨头、滑膜皱襞、关节囊与软骨膜、关节盂唇、软骨顶、骨性顶七个解剖结构分割标记的超声图像；

3)依据格拉夫超声诊断技术的图像质量标准建立小儿髋关节七个关键结构图像质量检测方法；

4)将步骤1)所述的标准性判定数据集中的所有图像作为输入，对该图像质量检测方法进行测试，最终输出基于分割结果的图像质量检测结果，

即“图像标准”或“图像不标准”两种结果。