胎盘超声图像分割

doi:10.3969/j.issn.1006-2475.2024.05.020

摘要/Abstract

摘要：
摘要：妊娠早期的胎盘形状和大小与胎儿生长等临床结果紧密相关。针对人工手动标注胎盘轮廓较为耗时的分割方法，设计一种新型深度学习分割网络：DEC-U-Net，该模型设计依据U-Net架构，在U-Net下采样阶段使用深度超参数化卷积代替2D卷积并且联合ECA（Efficient Channel Attention）注意力机制，在不过多引入参数量的同时提高对胎盘细节特征识别的准确度。将交叉注意力机制引入跳跃链接，解决胎盘边界模糊、对比度不均等问题。与普通U-Net网络相比，本文算法分别在交并比（IoU）、召回率（Recall）、精确度（Precision）、Dice系数上提升4.14、9.59、6.2、16.41个百分点。实验结果表明，改进后的网络模型具有较好的分割效果，能够将超声图像中的胎盘进行精确分割。

关键词: 关键词：胎儿超声图像, 胎盘检测, Do-Conv, ECA注意力, MHCA

Abstract: Abstract： The shape and size of the placenta in early pregnancy are closely related to clinical outcomes such as fetal growth. Aiming at the time-consuming interactive segmentation method for three-dimensional ultrasound （3DUS） detection of placental size， a new deep learning segmentation network， DEC-U-Net， is designed based on the U-Net architecture. In the U-Net downsampling stage， deep hyperparametric convolution is used instead of 2D convolution and combined with the ECA attention mechanism. However， the accuracy of placenta detailed feature recognition is improved while introducing more parameter quantities. The cross attention mechanism is introduced into jump linking to solve the problems of blurred placental boundaries and uneven contrast. Compared with ordinary U-Net networks， the algorithm in this paper improves the intersection and merge ratio （IoU）， recall rate （Recall）， accuracy （Precision）， and Dice coefficient by 4.14， 9.59， 6.2， and 16.41 percentage points， respectively. The experimental results show that the improved network model has a good segmentation effect and can accurately segment the placenta in ultrasound images.

Key words: Key words： fetal ultrasound images, placental testing, Do-Conv, ECA attention, MHCA

中图分类号:

TP391.41

徐成1, 张芸2, 曾祥进1. 胎盘超声图像分割[J]. 计算机与现代化, 2024, 0(05): 115-119.

XU Cheng1, ZHANG Yun2, ZENG Xiangjin1. Placenta Ultrasound Image Segmentation[J]. Computer and Modernization, 2024, 0(05): 115-119.

参考文献

［1］王灿，黄猛. 胎儿生长受限的超声诊断进展［J］. 国际妇产科学杂志， 2021，48（5）：508-511.
［2］ VERHEECKE M， CORTES C A， FINALET F J， et al. Genetic and microscopic assessment of the human chemotherapy-exposed placenta reveals possible pathways contributive to fetal growth restriction［J］. Placenta， 2018，64（4）：61-70.
［3］ LI X J， DING J Q， TANG J J， et al. Res2U-Net： A multi-scale channel attention network for retinal vessel segmentation［J］. Neural Computing & Applications， 2022，34（14）：12001-12015.
［4］ LUO L， CHEN D L， XUE D Y. Retinal blood vessels semantic segmentation method based on modified U-Net［C］// 2018 Chinese Control and Decision Conference（CCDC）. IEEE， 2018：1892-1895.
［5］ KRIZHEVSKY A， SUTSKEVER I， HINTON G. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017，60（6）：84-90.
［6］徐冬，蒋文娟. 基于卷积神经网络的肝脏肿瘤检测算法及应用研究［J］. 信息与电脑（理论版）， 2020，32（15）：67-69.
［7］黄伟燃. 基于卷积神经网络的肝脏肿瘤检测算法及应用［D］. 广州：华南理工大学， 2018.
［8］娄惊蛟. 基于卷积神经网络的医学图像分割算法研究与应用［D］. 济南：山东师范大学， 2020.
［9］李花桃. 基于U-Net网络的肝脏及其肿瘤CT图像分割方法的研究［D］. 西安：西安科技大学， 2021.
［10］ YU Q H， XIE L X， WANG Y， et al. Recurrent saliency transformation network： Incorporating multi-stage visual cues for small organ segmentation［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2018. DOI：10.1109/CVPR.2018.00864.
［11］王嘉瑶. 基于深度学习的胰腺CT图像自动分割研究［D］. 包头：内蒙古科技大学， 2020.
［12］易三莉，王天伟，杨雪莲，等. 基于改进U-Net的肺野分割算法［J］. 激光与光电子学进展， 2022，59（2）：175-183.
［13］程立英，高宣爽，申海，等. 基于U-Net网络的肺部组织分割［J］. 沈阳师范大学学报（自然科学版）， 2020，38（3）：278-282.
［14］宋瑶，刘俊. 改进U-Net的新冠肺炎图像分割方法［J］. 计算机工程与应用， 2021，57（19）：243-251.
［15］李姗姗. 基于U-Net的人脑MR图像配准方法研究［D］. 昆明：昆明理工大学， 2021.
［16］姜峰. 深度学习在胎盘超声图像及皮肤镜图像识别中的研究［D］. 深圳：深圳大学， 2019.
［17］余镇. 深度学习在胎儿超声图像与皮肤镜图像分类中的研究与应用［D］. 深圳：深圳大学， 2018.
［18］ GUPTA L， SISODIA R S， PALLAVI V， et al. Segmentation of 2D fetal ultrasound images by exploiting context information using conditional random fields［C］// 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE， 2011：7219-7222.
［19］ OGUZ I， YUSHKEVICH N， POUCH A， et al. Minimally interactive placenta segmentation from three-dimensional ultrasound images［J］. Journal of Medical Imaging， 2020，7（1）：014004. DOI： 10.1117/1.JMI.7.1.014004.
［20］ STEVENSON G N， COLLINS S L， DING J， et al. 3-D ultrasound segmentation of the placenta using the random walker algorithm： Reliability and agreement［J］. Ultrasound in Medicine & Biology， 2015，41（12）：3182-3193.
［21］ LOONEY P， STEVENSON G N， NICOLAIDES K H， et al. Automatic 3D ultrasound segmentation of the first trimester placenta using deep learning［C］// 2017 IEEE 14th International Symposium on Biomedical Imaging. IEEE， 2017. DOI：10.1109/ISBI.2017.7950519.
［22］ HU R， SINGLA R， YAN R， et al. Automated placenta segmentation with a convolutional neural network weighted by acoustic shadow detection［C］// 2019 41st Annual International Conference of the IEEE Engineering in Medicine & Biology Society（EMBC）. IEEE， 2019.DOI：10.1109/EMBC.2019.8857448.
［23］ ZHANG Z X， LIU Q J， WANG Y H. Road extraction by deep residual U-Net［J］. IEEE Geoscience and Remote Sensing Letters， 2018，15（5）：749-753.
［24］高广尚. 深度学习推荐模型中的注意力机制研究综述［J］. 计算机工程与应用， 2022，58（9）：9-18.
［25］陈朝一，许波，吴英，等. 医学图像处理中的注意力机制研究综述［J］. 计算机工程与应用， 2022，58（5）：23-33.
［26］ YANG Z X， ZHU L C， WU Y， et al. Gated channel transformation for visual recognition［C］// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2020. DOI：10.1109/CVPR42600.2020.01181.
［27］ HU J， SHEN L， SUN G， et al. Squeeze-and-excitation networks［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2018. DOI：10.1109/CVPR.2018.00745.
［28］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2016. DOI：10.1109/CVPR.2016.90.
［29］ CHEN L C， PAPANDREOU G， KOKKINOS I， et al. DeepLab： Semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018，40（4）：834-848.
［30］ RUAN D S， WANG D Y， ZHENG Y， et al. Gaussian context transformer［C］// 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2021. DOI：10.1109/CVPR46437.2021.01488.
［31］ QIN J H， HUANG Y J， WEN W S. Multi-scale feature fusion residual network for single image super-resolution［J］. Neurocomputing， 2020，379：334-342.

[1]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[2]	程亚子1, 雷亮1, 2, 陈瀚1, 赵毅然1. 基于转置注意力的多尺度深度融合单目深度估计[J]. 计算机与现代化, 2024, 0(09): 121-126.
[3]	来坤. 字符模糊的中文纸质发票文字识别方法[J]. 计算机与现代化, 2024, 0(08): 114-119.
[4]	武丽1, 张征浩2, 葛彩成2, 俞俊2. 基于改进SCNN网络的车道线检测算法[J]. 计算机与现代化, 2024, 0(07): 87-92.
[5]	朱纷, 何立风, 孙爽, 张梦颖, 于佳佳. 基于形变残差和级联编码的胰腺分割模型[J]. 计算机与现代化, 2024, 0(06): 83-88.
[6]	乔佳, 徐琨, 胡佩蓉. 多尺度特征融合的版面分析方法[J]. 计算机与现代化, 2024, 0(05): 16-21.