基于深度学习的胎儿颜面部超声标准切面自动识别.pdfVIP

36卷3期 中 国 生 物 医 学 工 程学 报 V01．36No．3 2017 2017年6月 c^ine5e如ⅡrnⅡf∥口io，nedic口zEngi几eering June 基于深度学习的胎儿颜面部超声标准切面自动识别 余 镇1 吴凌云1 倪 东1 陈思平1 李胜利2 汪天富h 雷柏英h 1(深圳大学生物医学工程学院，广东省生物医学信息检测和超声成像重点实验室，广东深圳518060) 2(深圳妇幼保健院超声科，南方医科大学附属医院，广东深圳518060) 摘要：在常规胎儿超声诊断过程中，精确识别出胎儿颜面部超声标准切面(FFsP)至关重要。传统方法是由医生 进行主观评估，这种人工评判的方式不仅耗费时间精力，而且严重依赖操作者经验，所以结果往往不可靠。因此， 临床超声诊断亟需一种FFsP自动识别方法。提出使用深度卷积网络识别FFsP，同时还分析不同深度的网络对于 FFsP的识别性能。对于这些网络模型，采用不同的训练方式：随机初始化网络参数和基于ImageNet预训练基础网 络的迁移学习。在研究中，数据采集的是孕周20～36周胎儿颜面部超声图像。训练集包括l037张标准切面图像 (轴状切面375张，冠状切面257张，矢状切面405张)以及3812张非标准切面图像，共计4849张；测试集包括792 张标准切面图像和l626张非标准切面图像，共计2418张。最后测试集实验结果显示，迁移学习的方法使得网络 识别结果增加9．29％，同时当网络结构由8层增加至16层时，分类结果提升3．17％，深度网络对于FFsP分类最 高正确率为94．5％，相比之前研究方法的最好结果提升3．66％，表明深度卷积网络能够有效地检测出FFsP，为临 床自动FFSP检测方法打下研究基础。 关键词：胎儿颜面部标准切面识别；超声图像；深度卷积网络；迁移学习 中图分类号：R318 文献标志码：A 文章编号：0258—802l(2017)03旬267一09 FetalFacialStandardPlane Via ConVolutionalNeuralNetworks RecognitionDeep YuZhenlWu Ni Chen LiShengli2 Tianful’Lei LingyunlDon91 Sipin91 Wang Baiyin91’ 8iomedicnf Key 1(5c^oov Enginee一“g，5^肌z^enuniFe邢ity，Ⅳo如n口Z一尺89ionⅡfnc^nofo盯E“gin唧i增L口60rⅡ￡ov Me妣Ⅱz Biomedicof肘eⅡ5“旭men拈 ，or uf￡mso“nd，Guo“gdo增‰yk60r口￡ory，0r ond 5l UZ￡，usound，，nⅡging，S^e，珏^en8060，Gu口ngd07皤，C危in口) S^en抽明肘n把moZⅡnd 2(D印口nmen￡o，矾￡msDund，锄{fiⅡ把d C^i纪日eoZ旃c口re，Ⅳo印i￡ⅡZ矿，v口健厂nng MedicⅡZ 5l Uni口eMi￡y，5^en曲en8