胎儿头臀径自动测量方法、系统、设备及存储介质与流程

1.本技术涉及超声图像处理技术领域，尤其是涉及一种胎儿头臀径自动测量方法、系统、设备及存储介质。


背景技术：

2.当新生儿出生时，如果有身体缺陷可能会令胎儿有严重的疾病甚至导致死亡，则给新生儿的家庭带来沉重打击与负担。产前检查可以及早发现胎儿缺陷，对判断是否继续妊娠具有较高的应用价值。通过超声检查不但可以及时发现胎儿的一些缺陷，还可对胎儿的一些解剖结构进行测量，进而对预测孕妇的孕期、估计胎儿的大小和重量具有非常重要的意义。
3.产科超声检查主要是基于超声图像对胎儿的头围、腹围、股骨长以及头臀径等参数进行测量，这些生物参数的测量可以用来判断胎儿的生长状况是否良好以及胎儿是否畸形。现在，这些参数需要依靠医生进行手动测量或者通过常规的图像处理算法自动测量，前者效率低下且严重依赖医生的经验，后者算法不易实现，并且准确率有待提高，因此，本发明人认为在胎儿超声图像处理方面还存在进一步改进。


技术实现要素：

4.有鉴于此，本技术提供一种胎儿头臀径自动测量方法、系统、设备及存储介质，用以解决现有胎儿头臀径检测效率低且准确率不高的技术问题。
5.为了解决上述问题，第一方面，本技术提供一种胎儿头臀径自动测量方法，所述方法包括：
6.获取胎儿超声训练图像和对应的标签图像，所述标签图像的感兴趣区域为胎儿全身；
7.将所述胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型，对所述图像分割初始模型进行迭代收敛训练，以得到图像分割目标模型；
8.获取待测胎儿超声图像，将所述待测胎儿超声图像输入至所述图像分割目标模型，得到预测胎儿图像；
9.根据所述预测胎儿图像，计算胎儿头臀径长度。
10.可选的，所述获取胎儿超声训练图像和对应的标签图像，包括：
11.获取多张胎儿超声初始图像，对所有所述胎儿超声初始图像的边界干扰区域进行剪切处理，得到对应的胎儿超声目标图像；
12.将所有所述胎儿超声目标图像进行数据增强处理后，得到胎儿超声训练图像；
13.将所有所述胎儿超声目标图像进行备份，将备份后的胎儿超声目标图像中胎儿全身标记为感兴趣区域；
14.将所有标记后的胎儿超声目标图像进行数据增强处理后，得到对应的标签图像。
15.可选的，将备份后的胎儿超声目标图像中胎儿全身标记为感兴趣区域，其中所述
感兴趣区域的灰度值为1；将备份后的胎儿超声目标图像中胎儿全身以外的区域标记为非感兴趣区域，所述非感兴趣区域的灰度值为0。
16.可选的，所述将所述胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型之前，所述方法还包括：
17.对预设的unet网络进行改进，以得到所述图像分割初始模型，包括：
18.将所述unet网络的下采样过程中部分若干卷积层替换为扩张卷积层，若干扩张卷积层的扩张率随层级增加而逐次增大；
19.将所述unet网络的下采样过程中和上采样过程中每个卷积层和/或每个扩张卷积层设置批量归一化；
20.将所述unet网络的下采样过程中和上采样过程中每个卷积层和/或每个扩张卷积层设置为残差网络连接。
21.可选的，所述对预设的unet网络进行改进，以得到所述图像分割初始模型，还包括：
22.将所述unet网络的下采样过程中和上采样过程中每个卷积层和/或每个扩张卷积层设置leaky
‑
relu激活函数；
23.将unet网络最后一层添加sigmoid激活函数和sigmoid交叉熵损失函数。
24.可选的，将所述胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型，对所述图像分割初始模型进行迭代收敛训练，以得到图像分割目标模型，包括：
25.将所述胎儿超声训练图像输入至图像分割初始模型进行训练，输出预测图像，计算所述预测图像和所述胎儿超声训练图像对应的标签图像之间的损失值；
26.基于所述损失值，采用梯度下降算法迭代训练，最小化损失函数，并更新所述图像分割初始模型的网络参数，所述网络参数包括每一层网络的权重和偏置，并将完成收敛训练的图像分割初始模型作为图像分割目标模型。
27.可选的，根据所述预测胎儿图像，计算胎儿头臀径长度，包括：
28.将所述预测胎儿图像进行二值化处理，包括将预测胎儿图像中像素值大于预设阈值的像素值对应处理为1，将像素值小于或等于预设阈值的像素值对应处理为0；
29.拟合所述二值化处理后的预测胎儿图像边界，在像素值为1的点中确定两个最远端点，并将两个所述最远端点之间的距离作为胎儿头臀径长度。
30.第二方面，本技术还提供一种胎儿头臀径自动测量系统，所述系统包括：
31.图像获取模块，用于获取胎儿超声训练图像和对应的标签图像，所述标签图像的感兴趣区域为胎儿全身；
32.训练模块，用于将所述胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型，对所述图像分割初始模型进行迭代收敛训练，以得到图像分割目标模型；
33.预测模块，获取待测胎儿超声图像，将所述待测胎儿超声图像输入至所述图像分割目标模型，得到预测胎儿图像；
34.计算模块，用于根据所述预测胎儿图像，计算胎儿头臀径长度。
35.第三方面，本技术提供的一种计算机设备，采用如下的技术方案：
36.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述胎儿头臀径自动测量
方法的步骤。
37.第四方面，本技术提供的一种计算机可读存储介质，采用如下的技术方案：
38.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述胎儿头臀径自动测量方法的步骤。
39.采用上述实施例的有益效果是：通过获取胎儿超声训练图像和对应的标签图像，其中标签图像的感兴趣区域为胎儿全身，从而便于后续图像分割初始模型训练分割出胎儿全身；对图像分割初始模型进行迭代收敛训练，获得训练完备的图像分割目标模型，从而便于医学上调用模型对胎儿超声训练图像进行图像分割；将待测胎儿超声图像输入至图像分割目标模型，得到预测胎儿图像，根据预测胎儿图像中较为准确的胎儿全身形状，可以快速、准确地计算出胎儿头臀径长度。
附图说明
40.图1为本技术提供的胎儿头臀径自动测量系统的应用场景示意图；
41.图2为本技术提供的胎儿头臀径自动测量方法一实施例的方法流程图；
42.图3为本技术提供的胎儿头臀径自动测量方法步骤s201一实施例的方法流程图；
43.图4(a)、图4(b)、图4(c)分别为本技术提供的三张胎儿超声训练图像示意图；
44.图5(a)、图5(b)及图5(c)分别为对应图4(a)、图4(b)及图4(c)为三张胎儿超声训练图像对应的标签图像；
45.图6为本技术提供的胎儿头臀径自动测量方法另一实施例的方法流程图；
46.图7为本技术提供的图像分割初始模型一实施例的模型架构图；
47.图8为本技术提供的图像分割初始模型一实施例中各层参数设置图；
48.图9为本技术提供的残差网络结构一实施例的示意图；
49.图10为本技术提供的胎儿头臀径自动测量方法步骤s601一实施例的方法流程图；
50.图11为本技术提供的胎儿头臀径自动测量方法步骤s202一实施例的方法流程图；
51.图12为本技术提供的胎儿头臀径自动测量方法步骤s204一实施例的方法流程图；
52.图13(a)、图13(b)、图13(c)分别为本技术提供的三张测试集中的胎儿超声目标图像示意图；
53.图14(a)、图14(b)、图14(c)分别对应为图13(a)、图13(b)、图13(c)经预测且二值化后的预测胎儿图像；
54.图15(a)、图15(b)、图15(c)分别对应为图13(a)、图13(b)、图13(c)胎儿头臀径的测量示意图；
55.图16为本技术提供的胎儿头臀径自动测量系统一实施例的原理框图；
56.图17为本技术提供的计算机设备一实施例的原理框图。
具体实施方式
57.下面结合附图来具体描述本技术的优选实施例，其中，附图构成本技术一部分，并与本技术的实施例一起用于阐释本技术的原理，并非用于限定本技术的范围。
58.在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
59.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包
含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
60.本技术提供了一种胎儿头臀径自动测量方法、系统、设备及存储介质，以下分别进行详细说明。
61.图1为本技术实施例所提供的胎儿头臀径自动测量系统的场景示意图，该系统可以包括服务器100，服务器100中集成有胎儿头臀径自动测量系统，如图1中的服务器。
62.本技术实施例中服务器100主要用于：
63.获取胎儿超声训练图像和对应的标签图像，标签图像的感兴趣区域为胎儿全身；
64.将胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型，对图像分割初始模型进行迭代收敛训练，以得到图像分割目标模型；
65.获取待测胎儿超声图像，将待测胎儿超声图像输入至图像分割目标模型，得到预测胎儿图像；
66.根据预测胎儿图像，计算胎儿头臀径长度。
67.本技术实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本技术实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。
68.可以理解的是，本技术实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(personal digital assistant，pda)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。
69.本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本技术方案一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该胎儿头臀径自动测量系统还可以包括一个或多个其他终端，具体此处不作限定。
70.另外，参照图1所示，该胎儿头臀径自动测量系统还可以包括存储器200，用于存储数据，如胎儿超声训练图像、标签图像、以及图像分割目标模型的模型参数等数据。
71.需要说明的是，图1所示的胎儿头臀径自动测量系统的场景示意图仅仅是一个示例，本技术实施例描述的胎儿头臀径自动测量系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着胎儿头臀径自动测量系统的演变和新业务场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
72.参照图2为本技术提供的胎儿头臀径自动测量方法一种实施例的方法流程图，该胎儿头臀径自动测量方法包括下述步骤：
73.s201、获取胎儿超声训练图像和对应的标签图像，标签图像的感兴趣区域为胎儿全身；
74.s202、将胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型，对图像分割初始模型进行迭代收敛训练，以得到图像分割目标模型；
75.s203、获取待测胎儿超声图像，将待测胎儿超声图像输入至图像分割目标模型，得到预测胎儿图像；
76.s204、根据预测胎儿图像，计算胎儿头臀径长度。
77.需要说明的是，胎儿超声训练图像可以采用胎儿彩超或b超图像。
78.本实施例通过获取胎儿超声训练图像和对应的标签图像，其中标签图像的感兴趣区域为胎儿全身，从而便于后续图像分割初始模型训练分割出胎儿全身；对图像分割初始模型进行迭代收敛训练，获得训练完备的图像分割目标模型，从而便于医学上调用模型对胎儿超声训练图像进行图像分割；将待测胎儿超声图像输入至图像分割目标模型，得到预测胎儿图像，根据预测胎儿图像中较为准确的胎儿全身形状，可以快速、准确地计算出胎儿头臀径长度。
79.参照图3为本技术提供的步骤s201一种实施例的方法流程图，该步骤s201包括下述步骤：
80.s301、获取多张胎儿超声初始图像，对所有胎儿超声初始图像的边界干扰区域进行剪切处理，得到对应的胎儿超声目标图像；
81.s302、将所有胎儿超声目标图像进行数据增强处理后，得到胎儿超声训练图像；
82.s303、将所有胎儿超声目标图像进行备份，将备份后的胎儿超声目标图像中胎儿全身标记为感兴趣区域；
83.s304、将所有标记后的胎儿超声目标图像进行数据增强处理后，得到对应的标签图像。
84.在本实施例中，胎儿超声初始图像可以指胎儿b超图像或彩超图像。胎儿超声目标图像可以指保留胎儿超声检测图像区的图像。
85.在一具体实施例中，选择700张胎儿超声初始图像，并进行剪切处理，将所有图像的图像区保留，去除边界干扰区，得到胎儿超声目标图像。进一步地，将所有胎儿超声目标图像进行备份，然后由专业的超声医生标注每张胎儿超声目标图像，将胎儿全身标记为感兴趣区域(roi区)，得到标签图像。
86.进一步地，选择600张胎儿超声目标图像作为训练集，并将剩下的100张图像作为测试集，通过数据增强处理把600张胎儿超声训练图像扩充到3000张图像，并将该600张胎儿超声训练图像对应的标签图像通过数据增强处理同样扩充到3000张图像，在本实施例中，数据增强处理包括加噪声、旋转、水平镜像以及平滑处理步骤。示例性地，如图4(a)、图4(b)及图4(c)为三张胎儿超声训练图像。
87.需要说明的是，在其他实施例中，可以根据实际情况确定胎儿超声初始图像的采用数量以及训练集和测试集的划分比例，在此不多做限定。
88.在一实施例中，步骤s303中将备份后的胎儿超声目标图像中胎儿全身标记为感兴趣区域，其中感兴趣区域的灰度值为1；将备份后的胎儿超声目标图像中胎儿全身以外的区域标记为非感兴趣区域，非感兴趣区域的灰度值为0。
89.通过本实施例标记处理后得到标签图像为二值化图像。示例性地，如图5(a)、图5(b)及图5(c)分别为对应图4(a)、图4(b)及图4(c)为三张胎儿超声训练图像对应的标签图
像。
90.参照图6为本技术提供的胎儿头臀径自动测量方法另一实施例的方法流程图，在步骤s202中将胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型之前，本实施例的胎儿头臀径自动测量方法还包括：
91.s601、对预设的unet网络进行改进，以得到图像分割初始模型，包括：
92.s6011、将unet网络的下采样过程中部分若干卷积层替换为扩张卷积层，若干扩张卷积层的扩张率随层级增加而逐次增大；
93.s6012、将unet网络的下采样过程中和上采样过程中每个卷积层和/或每个扩张卷积层设置批量归一化；
94.s6013、将unet网络的下采样过程中和上采样过程中每个卷积层和/或每个扩张卷积层设置为残差网络连接。
95.在本实施例中，参照图7为本技术提供的图像分割初始模型一实施例的模型架构图，以u
‑
net网络作为基本思想，并对其进行改进而成。本实施例的图像分割初始模型主要包括下采样和上采样两部分，图7中左边为下采样，右边为上采样，采用跳跃连接，将下采样和上采样中相同分辨率的特征图进行特征融合，帮助解码器更好地恢复目标的细节。参照图8为本实施例提供的图像分割初始模型中各层参数设置图，需要说明的是，针对卷积核大小和卷积步长，可以根据实际需求具体确定，在此不多做限定。
96.本实施例中，下采样过程中每层卷积层包含两个子卷积层，将下采样过程中四层卷积层替换为扩张卷积层，其中扩张卷积率随层级增加分别设置为3、6、12、18，从而可以在不增加参数量的前提下提高网络上下文信息的提取能力；需要说明的是，未采用扩张卷积的卷积层为标准卷积层，即标准卷积层的扩张卷积率为1。在本实施例中，每个扩张卷积层后相邻连接有最大池化层。此外，下采样过程中每层卷积层包含一个子卷积层，并采用反卷积方式。
97.进一步地，将unet网络的下采样过程中和上采样过程中每个卷积层和/或每个扩张卷积层设置批量归一化，从而能够提升网络的鲁棒性、改善正则化策略。
98.进一步地，随着网络深度的增加，训练误差会越来越大，存在网络退化现象，在此，该退化现象不是由于过拟合所造成，因此各标准卷积层和扩张卷积层中加入了残差结构，如图9，输入为x，残差函数f(x)，输出为h(x)＝f(x) x。
99.参照图10为本技术提供的胎儿头臀径自动测量方法步骤s601一实施例的方法流程图，即步骤s601中对预设的unet网络进行改进，以得到图像分割初始模型，还包括：
100.s1001、将unet网络的下采样过程中和上采样过程中每个卷积层和/或每个扩张卷积层设置leaky
‑
relu激活函数；
101.s1002、将unet网络最后一层添加sigmoid激活函数和sigmoid交叉熵损失函数。
102.在本实施例中，将unet网络的下采样过程中和上采样过程中每个卷积层和/或每个扩张卷积层设置leaky
‑
relu激活函数，可以有效避免梯度消失，并且线性函数计算性能较强，leaky
‑
relu函数表示如下：
[0103][0104]
其中a为系数，设置为a＝0.2。
[0105]
进一步地，将unet网络最后一层网络添加的激活函数设置为sigmoid激活函数，并添加sigmoid交叉熵损失函数；其中，sigmoid函数表示如下：
[0106][0107]
进一步地，本实施例的图像分割初始模型训练属于语义分割中的二分类，采用sigmoid交叉熵损失函数，能够较好评价图像分割初始模型的拟合程度，用sigmoid交叉熵损失函数作为模型拟合程度的评价指标，该评价指标的结果越小越好；
[0108]
由于需要预测样本图像中每个像素点的分类，所以要求解每个像素点的交叉熵，令样本图像中的像素点个数为n，每个像素的真实分类为y
i
，预测的概率为则sigmoid交叉熵损失函数表示如下：
[0109][0110]
需要说明的是，通过式(8
‑
3)可以求解一个样本图像的损失值，对批量样本则需要求其平均值。
[0111]
参照图11为本技术提供的步骤s202一种实施例的方法流程图，该步骤s202包括下述步骤：
[0112]
s1101、将胎儿超声训练图像输入至图像分割初始模型进行训练，输出预测图像，计算预测图像和胎儿超声训练图像对应的标签图像之间的损失值；
[0113]
s1102、基于损失值，采用梯度下降算法迭代训练，最小化损失函数，并更新图像分割初始模型的网络参数，网络参数包括每一层网络的权重和偏置，并将完成收敛训练的图像分割初始模型作为图像分割目标模型。
[0114]
在本实施例中，采用批量训练，设置批量的大小为1
‑
10，迭代的次数为100
‑
300，可以根据实际情况，具体设定批量大小和迭代次数，在此不多做限定。当迭代到设定的次数时，则可以令损失函数收敛，达到全局或局部损失最小。
[0115]
可选的，在更新图像分割初始模型的网络参数时，设定学习率η，并采用adam优化器来更新网络参数，其更新公式表示如下：
[0116][0117]
其中m为迭代次数，l(θ)为最小化损失函数，为参数θ的梯度，θ包括权重w和偏置b，w初始化为正态分布，b初始化为0；在本实施例中，学习率可以设置为η＝10
‑5。
[0118]
进一步地，根据公式(8
‑
4)，得到更新后的权重w和偏置b：
[0119][0120]
其中w
(l)
，b
(l)
分别为第l层的权重和偏置，为迭代更新后的参数。
[0121]
近一步地，令图像分割初始模型第l层的输出表示为y
(l)
＝w
(l)
×
(x
(l
‑
1)
)
τ
b
(l)
，可
以得到：
[0122][0123]
其中，x
(l
‑
1)
表示第l
‑
1层网络的输出。
[0124]
令公式(8
‑
6)可以变为：
[0125][0126]
对于偏置b
(l)
，按照同理的变换，可以得到
[0127]
需要说明的是，将训练完备的图像分割目标模型的架构和参数存储于数据库中，为便于后期调用模型，保存模型为.h5的格式。当需要调用图像分割目标模型进行预测时，将图像分割目标模型型的架构和参数调出来，为进一步预测做准备。
[0128]
参照图12为本技术提供的步骤s204一种实施例的方法流程图，该步骤s204包括下述步骤：
[0129]
s1201、将预测胎儿图像进行二值化处理，包括将预测胎儿图像中像素值大于预设阈值的像素值对应处理为1，将像素值小于或等于预设阈值的像素值对应处理为0；
[0130]
s1202、拟合二值化处理后的预测胎儿图像边界，在像素值为1的点中确定两个最远端点，并将两个最远端点之间的距离作为胎儿头臀径长度。
[0131]
在本实施例中，利用图像分割目标模型对待测胎儿超声图像进行图像分割，该待测胎儿超声图像为测试集中的胎儿超声目标图像，在其他实施例中，该待测胎儿超声图像也可以是实际应用中孕妇的胎儿超声图像。示例性地，参照图13(a)、图13(b)、图13(c)分别为本实施例采用的测试集中的三张胎儿超声目标图像。
[0132]
需要说明的是，由于图像分割目标模型输出的预测胎儿图像不是二值化图像，需要对其进行二值化处理，在本实施例的二值化处理中，预设阈值确定为0.5，参照图14(a)、图14(b)、图14(c)分别对应为图13(a)、图13(b)、图13(c)经预测且二值化后的预测胎儿图像。
[0133]
进一步地，根据二值化后的预测胎儿图像，寻找到两个最远且像素值为1的点，令这两点为胎儿头臀径的两点，根据两点之间的像素大小计算出胎儿头臀径长度，参照图15(a)、图15(b)、图15(c)分别对应为图13(a)、图13(b)、图13(c)胎儿头臀径的测量示意图。
[0134]
本实施例通过获取胎儿超声训练图像和对应的标签图像，其中标签图像的感兴趣区域为胎儿全身，从而便于后续图像分割初始模型训练分割出胎儿全身；对图像分割初始模型进行迭代收敛训练，获得训练完备的图像分割目标模型，从而便于医学上调用模型对胎儿超声训练图像进行图像分割；将待测胎儿超声图像输入至图像分割目标模型，得到预测胎儿图像，根据预测胎儿图像中较为准确的胎儿全身形状，可以快速、准确地计算出胎儿头臀径长度。
[0135]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限
定。
[0136]
本实施例还提供一种胎儿头臀径自动测量系统，该胎儿头臀径自动测量系统与上述实施例中胎儿头臀径自动测量方法一一对应。如图16所示，该胎儿头臀径自动测量系统包括图像获取模块1601、训练模块1602、预测模块1603和计算模块1604。各功能模块详细说明如下：
[0137]
图像获取模块1601，用于获取胎儿超声训练图像和对应的标签图像，标签图像的感兴趣区域为胎儿全身；
[0138]
训练模块1602，用于将胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型，对图像分割初始模型进行迭代收敛训练，以得到图像分割目标模型；
[0139]
预测模块1603，获取待测胎儿超声图像，将待测胎儿超声图像输入至图像分割目标模型，得到预测胎儿图像；
[0140]
计算模块1604，用于根据预测胎儿图像，计算胎儿头臀径长度。
[0141]
关于胎儿头臀径自动测量系统的具体限定可以参见上文中对于胎儿头臀径自动测量方法的限定，在此不再赘述。上述胎儿头臀径自动测量系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0142]
如图17所示，基于上述胎儿头臀径自动测量方法，本技术还相应提供了一种计算机设备，该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器10、存储器20及显示器30。图17仅示出了计算机设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0143]
存储器20在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有计算机程序40，该计算机程序40可被处理器10所执行，从而实现本技术各实施例的胎儿头臀径自动测量方法。
[0144]
处理器10在一些实施例中可以是一中央处理器(central processing unit,cpu)，微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行胎儿头臀径自动测量方法等。
[0145]
显示器30在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10
‑
30通过系统总线相互通信。
[0146]
在一实施例中，当处理器10执行存储器20中计算机程序40时实现以下步骤：
[0147]
获取胎儿超声训练图像和对应的标签图像，标签图像的感兴趣区域为胎儿全身；
[0148]
将胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型，对图像分割初始模型进行迭代收敛训练，以得到图像分割目标模型；
[0149]
获取待测胎儿超声图像，将待测胎儿超声图像输入至图像分割目标模型，得到预测胎儿图像；
[0150]
根据预测胎儿图像，计算胎儿头臀径长度。
[0151]
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0152]
获取胎儿超声训练图像和对应的标签图像，标签图像的感兴趣区域为胎儿全身；
[0153]
将胎儿超声训练图像和对应的标签图像输入至预设的图像分割初始模型，对图像分割初始模型进行迭代收敛训练，以得到图像分割目标模型；
[0154]
获取待测胎儿超声图像，将待测胎儿超声图像输入至图像分割目标模型，得到预测胎儿图像；
[0155]
根据预测胎儿图像，计算胎儿头臀径长度。
[0156]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
[0157]
本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0158]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。