基于深度学习的超声图像评估对胎儿头围和双顶径的检测价值

李 凡，彭春玲，李文深，彭立军，袁 胜

（深圳市龙岗区第五人民医院超声科 广东 深圳 518100）

中晚孕期胎儿超声检查是目前评估胎儿生长及筛查发育异常的主要方式，可帮助医务人员提供准确的诊断信息，有效做好产妇的产前处理及改善妊娠结局。超声测量可通过对胎儿的双顶径及头围等数据来估计胎儿的大小及孕龄[1]。由于超声图像较磁共振成像（magnetic resonance imaging, MRI）及数字X 线摄影术（digital radiography, DR）图像的信噪比较低，数据测量主要通过超声影像科医生进行判断，依靠肉眼观察及手动定位等，存在主观性强、鲁棒性差的问题，有一定随意性[2]。传统图像处理测量存在鲁棒性较差的问题，迁移性较差，往往一个需求就需要设计一个处理方案，可移植性差。随着计算机算力提升，及卷积网络的出现，让深度学习被广泛应用图像处理领域。为符合技术革新方向，本文拟将深度学习方法应用至产科超声检查领域，评估U2-net 在胎儿超声图像测量双顶径及头围的检查价值，旨在为胎儿超声图像的头围和双顶径测量提供新的方法，现报道如下。

1 资料与方法

1.1 一般资料

选取2020 年5 月—2021 年12 月深圳市龙岗区第五人民医院妇产科室超声存储站中的中晚孕期超声图像300 张进行人工标注形成数据集，均为头围、双顶径的标准图像，其中200 张作为训练集，100 张作为测试集，图像均符合《中孕期常规胎儿超声检查操作指南》[3]中相关诊断标准。双顶径及头围检测的图像标准为胎头丘脑水平横切面，同时两侧大脑半球对称，脑中线且回声连续，同时仅在中间被透明隔腔和丘脑分隔，不应看见小脑。本研究符合《赫尔辛基宣言》中的伦理准则。

1.2 方法

1.2.1 数据标注 招募资深超声诊断医师，相关资历在5 年以上，共三人，提前制定好标注标准，三人对300 张图片均进行标注，计划每天标注任务为50 张，共6 天完成，每天完成标注计划后需进行三人核对，保证标注标准统一，出现三人意见不同时需进行讨论直至达成标注一致。

1.2.2 模型训练 训练平台采用GTX3080ti，框架选用Pytorch，针对U2-net 网络，设置学习率、训练批大小、dropout 大小、图片输入尺寸及epoch 等超声参数，先在学习率较大的参数下预计进行200 次迭代，类似预训练，后在学习率较小的参数下进行finetune，迭代100 次。两次迭代的loss 最小的模型为本次课题选取的模型。

1.2.3 检测价值评估 将训练好的U2-net 分割模型对剩余的200 张超声图像测试集进行检测，测量结果与资深医师的诊断结果进行对比，统计基于U2-net 的计算机诊断模型与人工测量的一致性数据。

1.2.4 计算方法 依据《中孕期常规胎儿超声检查操作指南》的测量方法，采用外缘到外缘的距离计算方式。图1a 为超声图像，其中HC 为头围，BPD 为双顶径，U2-net 的分割结果为mask 图像，预估mask 图像如图1b所示，对这个类似椭圆的图像进行计算，首先对该图像进行椭圆拟合，再对拟合的椭圆进行周长和长轴短轴的计算，便可计算出HC 和BPD。

1.2.5 U2-net 网络架构图U2net 每个单元网络结构为RSU，RSU 本身即小号unet，将所有的RSU 进行连接，类似down-top，top-down 的过程，增加了网络的多尺度能力，增强了分割性能。图2 为U2-net 的网络结构图。

图2 U2-net 网络结构图

1.2.6 激活函数优化ReLU 函数公式为ai、j、k=max（xi、j、k，0），其中xi、j、k代表在第k个通道（i,j）区域激活函数可输入。LReLU 函数公式为ai、j、k=max（xi、j、k，0）+λmin（xi、j、k，0），公式中，λ 取值范围为（0, 1）。PReLU 函数公式为PReLU（x）=x（x＞0）或ax（x≤0），其中a是经链式法则自适应学习的有关参数。

1.3 观察指标

①分析胎儿超声的数据集标注结果；②不同激活函数下超声图像评估结果；③比较基于深度学习的超声图像评估与人工测量的检测结果。

1.4 统计学方法

采用SPSS 24.0 统计软件分析数据，符合正态分布的计量资料以均数±标准差（）表示，采用t检验；计数资料以频数（n）、百分率（%）表示，采用χ2检验，以P＜0.05 为差异有统计学意义。

2 结果

2.1 胎儿超声的数据集标注结果分析

超声图像库选取的头围、双顶径的标准图像300 张，进行人工标注形成数据集，其中200 张作为训练集，100张作为测试集，相关孕期的数据集标注结果见表1。

表1 胎儿超声的数据集标注结果 单位：张

2.2 不同激活函数下超声图像评估结果分析

采用LReLU 激活函数产生的Dice 明显得到提升，达到97.35%，且对BPD 及HC 的预测价值更加精准，见表2。

表2 不同激活函数下超声图像评估结果分析（±s）

表2 不同激活函数下超声图像评估结果分析（±s）

注：Dice 系数是模型分割效果的评价指标，值越大表示模型分割的效果也越好。

BPD/cm 模型Dice/%HC/cm孕中期孕晚期孕中期孕晚期ReLU 96.84±8.335.53±2.38 31.26±5.27 19.14±6.598.62±1.51 LReLU 97.35±7.325.41±2.15 30.12±4.84 18.92±7.118.55±1.49 PReLU 96.27±9.525.52±1.97 31.33±5.36 19.66±5.438.65±1.57

2.3 基于深度学习的超声图像评估与人工测量的检测结果比较

基于深度学习的超声图像评估检测孕中晚期BPD及HC 的结果与人工测量比较，差异均无统计学意义（P＞0.05），见表3。

表3 基于深度学习的超声图像评估与人工测量的检测结果比较（±s）

表3 基于深度学习的超声图像评估与人工测量的检测结果比较（±s）

BPD/cm项目HC/cm孕中期（n = 21）孕晚期（n = 179）诊断模型5.41±2.1530.12±4.8418.92±7.118.55±1.49人工测量5.43±2.1230.10±5.0618.95±6.298.54±1.51 t 0.0300.0380.0140.063 P 0.9760.9700.9890.950孕晚期（n = 179）孕中期（n = 21）

3 讨论

中晚孕期采用超声仪器对胎儿进行诊断时目前最常用及最普遍的方式，目前大部分医院产科超声诊断科室均依靠医师的经验进行肉眼判定及手工定位，长时间工作容易出现判定失误，存在不确定性和随机性，同时经验不足的医师也无法准确评估胎儿的超声图像。目前传统图像处理虽可辅助医师进行图像锐化及分割定量的操作，但传统方法存在鲁棒性差，迁移性低等特点，已经不适用现在数据多样化的今天。因此，寻求一个辅助医师诊断的方法，以帮助提高准确性及稳定性显得至关重要。

本研究结果显示，将超声图像库选取的头围、双顶径的标准图像300 张，进行人工标注形成数据集，其中200 张作为训练集，100 张作为测试集，实施临床检测后，采用LReLU 激活函数产生的Dice 明显得到提升，达到97.35%，且对BPD 及HC 的预测价值更加精准。这提示基于U2net 网络及LReLU 激活函数的诊断模型能够更好地提升诊断性能。分析原因，U2net 网络目前主要应用在语义分割领域，是基于econde-decode 的思想，并在Unet 基础上对卷积层进行了改进，即RSU 模块，通过RSU 增加多尺度能力，得到了优秀的分割结果[4]。而在实施检测任务过程中，选择LReLU 激活函数能够明显增强卷积神经网络的有关性能。LReLU 是基于ReLU 这一网络常用激活函数的新型函数，ReLU 属于线性分段函数，当输入值是负值时，激活值是0，且保留正值的部分，但具有一个致命缺点，当单元未被激活，梯度是0，而当单元初始未被激活，则将永不激活。而LReLU则优化了此项函数，使得输入值为负时可调节激活函数的有关输出值，且在单位未被激活的前提下，相对较小的非零梯度亦能成功通过，从而有效提升了网络性能。本次研究中涉及的其他激活函数未能达到此种效果，也证实了LReLU 函数的应用具有较高的诊断价值。同时，本研究发现，基于深度学习的超声图像评估检测孕中晚期BPD 及HC 的结果与人工测量比较，差异均无统计学意义（P＞0.05）。这提示了基于U2-net 的计算机诊断模型与人工测量的BPD 及HC 结果具有较高的一致性。目前深度学习主要分为监督学习和无监督学习[5]，监督学习主要是通过对提前标注好的数据建立训练数据集，对训练数据集进行模型训练，而无监督学习是不进行数据标签化，直接送入网络进行模型训练。监督学习的主要网络有YOLO，U-net 及RCNN 等，无监督学习主要网络有自编码器（AE），生成对抗网络（GAN）及深度置信网络（DBN）等[6]。深度学习在医学影像中主要应用于疾病分类[7]，图像分割及病灶检测等。目前深度学习在肺结节分类中应用较广，主要分辨肺结节性质（实性结节、磨玻璃结节及部分实性结节）及良恶性判断。Ribli 等[8]搭建了基于Faster-RCNN 的计算机辅助诊断系统应用于乳腺DR 照片进行良恶性分类，结果显示，该模型在INbreast 数据库中的ACU 达到了0.95，说明对乳腺的良恶性病变有着较好的分类性能，同时检测恶性病灶的灵敏度为0.9。而产科超声图像主要为测量，因此归类于医学图像分割领域，医学图像分割是指从图像中识别器官病灶等，对其进行准确分割，便于对目标物体积、形状等临床指标的定量分析[9]。U-net 就是基于医学背景下提出的分割网络[10]，采用上采样加下采样的网络结果，该网络对图片进行四次下采样，再对采样后的特征进行反卷积，与同层的特征进行conact 上采样，最后可得到较好的图像分割结果。Moradi 等[11]搭建了多特征金字塔U-net 用于超声心动图的左心室结果分割，与U-net、U-net+、ACNN、SHG 和Deeplabv3 架构分割结果相比，取得最佳的分割结果，与手动计算的数据呈现高度的一致性。而本次研究使用的基于U2-net 的计算机诊断模型也取得了较高的应用价值，可为临床基于深度学习的超声图像评估胎儿头围和双顶径的检测工作贡献较大作用。

综上所述，基于深度学习的超声图像评估对胎儿头围和双顶径的检测价值较高，且与人工检测具有较好的一致性，值得在临床检测过程中应用推广。