本文選題：胎兒顏面部標準切面識別　切入點：超聲圖像　出處：《中國生物醫(yī)學工程學報》2017年03期 　論文類型：期刊論文

【摘要】：在常規(guī)胎兒超聲診斷過程中,精確識別出胎兒顏面部超聲標準切面(FFSP)至關重要。傳統(tǒng)方法是由醫(yī)生進行主觀評估,這種人工評判的方式不僅耗費時間精力,而且嚴重依賴操作者經(jīng)驗,所以結果往往不可靠。因此,臨床超聲診斷亟需一種FFSP自動識別方法。提出使用深度卷積網(wǎng)絡識別FFSP,同時還分析不同深度的網(wǎng)絡對于FFSP的識別性能。對于這些網(wǎng)絡模型,采用不同的訓練方式:隨機初始化網(wǎng)絡參數(shù)和基于Image Net預訓練基礎網(wǎng)絡的遷移學習。在研究中,數(shù)據(jù)采集的是孕周20~36周胎兒顏面部超聲圖像。訓練集包括1 037張標準切面圖像(軸狀切面375張,冠狀切面257張,矢狀切面405張)以及3 812張非標準切面圖像,共計4 849張;測試集包括792張標準切面圖像和1 626張非標準切面圖像,共計2 418張。最后測試集實驗結果顯示,遷移學習的方法使得網(wǎng)絡識別結果增加9.29%,同時當網(wǎng)絡結構由8層增加至16層時,分類結果提升3.17%,深度網(wǎng)絡對于FFSP分類最高正確率為94.5%,相比之前研究方法的最好結果提升3.66%,表明深度卷積網(wǎng)絡能夠有效地檢測出FFSP,為臨床自動FFSP檢測方法打下研究基礎。
[Abstract]:In the conventional fetal ultrasound diagnosis, accurate identification of fetal facial ultrasonic standard section (FFSP) is very important. The traditional method is a subjective assessment by a doctor, the artificial evaluation mode is not only a waste of time and energy, and depends heavily on the experience of the operator, so the results are not reliable. Therefore, need a FFSP automatic ultrasonic diagnosis recognition method. Proposed recognition convolutional neural networks FFSP, also analyzed the different depth of the network for the recognition performance of FFSP. The network model, using different training methods: random initial network parameters and learning transfer Image Net pre training based on network. In the study, data collection is 20~36 weeks of gestation the fetal facial images. The training set includes 1037 standard plane image (axial section 375, coronal sagittal section 257, 405) and 3812 non 鏍囧噯鍒囬潰鍥懼儚,鍏辮4 849寮，

本文編號：1632997