基于BCNN的胎儿颅脑超声横切面识别算法

• 作者: 束鑫 常锋 张歆 杜睿 余转
• 来源期刊: 计算机科学
• 关键词: 胎儿超声 颅脑图像 横切面识别 深度学习 BCNN
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 计算机图形学&多媒体|Computer Graphics & Multimedia
• 页码范围: 151-156
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.200500049

摘要

孕期超声检查是评估胎儿大脑发育、检测生长异常的重要步骤,开展对胎儿早期检查准确高效的诊断研究具有重要的临床价值.文中使用双线性卷积神经网络BCNN进行胎儿颅脑横切面识别,提出了BCNN-R和BCNN-S两种算法.BCNN算法首先对输入的胎儿颅脑超声影像数据进行预处理,去除个人信息等敏感信息;其次,利用两路并行的子网络从影像数据中提取辨识度高、鲁棒性强的横切面特征,并将其融合得到有助于识别的细微特征;最后使用线性连接层进行识别和分类.为了验证算法的有效性,在自建胎儿超声数据集JFU19上进行了对比实验,实验结果表明,所提算法相比常见的深度网络(GoogleNet,DenseNet,SeNet等)在分类性能上有明显的提升,其中BCNN-S算法的总体准确率达到了88.95％,BCNN-R在水平横切面的识别上达到了97.22％的精确度和88.61％的召回率.此外,在公开数据集HC18上进行了实验,BCNN算法的准确率、精确度、召回率分别达到了89.48％,87.66％和87.71％,进一步验证了算法的有效性.