导　　师： 倪东;李胜利

授予学位： 硕士

作　　者： ;

机构地区： 深圳大学

摘　　要： 产前超声检查过程中,超声图像的质量和相应生物参数测量的精度对于胎儿生长发育状况的准确诊断是非常重要的。但是,手动的质量控制是一个大量繁杂重复性工作的过程,临床上难以实现。另外,手动的解剖结构边缘轮廓勾画也非常耗时,在临床实践中会导致较大的医师间差异。为了提高产前检查的效率,减轻由不恰当的超声扫查切面选取和不精确的生物计量估计引起的测量误差,本论文提出全自动的胎儿超声图像质量控制(FUIQA)和参数测量(FUIPM)系统,协助实现临床产科检查中胎儿腹部超声图像的质量控制和精准的生物学参数测量。本论文提出的FUIQA系统由两个深度卷积神经网络模型实现,分别定义为L-CNN和C-CNN。L-CNN用于超声图像中胎儿腹部区域感兴趣目标(ROI)的定位。基于L-CNN定位到的ROI,C-CNN通过评价关键解剖结构胃泡(SB)和脐静脉(UV)描述的完整性来评估超声图像的质量。为了进一步提高L-CNN的性能,本文通过局部相位特征与原始超声数据通道融合的方式增加神经网络的输入源。通过全面的实验,阐明本文提出的FUIQA系统适用于160孕周的不同参数设置的胎儿超声图像,与超声医师手动评分相比达到90%的一致性。本论文提出的FUIPM系统是一个全自动分割胎儿超声图像的级联框架。首先,一个修正的全卷积网络(R-FCN)被用于提取多尺度视觉特征,产生密集的边缘预测图以鉴别解剖结构。为了提高预测图的局部空间一致性同时改善细节,本文将核心的R-FCN模型嵌入到自动上下文模型中,并将传统自动上下文模型中的并行级联改进为求和级联操作。大量的实验结果表明,FUIPM系统可以有效克服严重的边界不完整缺陷,相比其它流行的最新算法,可以取得更好的分割精度。本论文提出的FUIQA与FUIPM系统具有通用性,可以很容易的拓展到其他类型胎儿超声扫查切面的质�

关 键 词： 胎儿超声 质量控制 目标分割 深度卷积网络 自动上下文

领　　域： [] []