胎儿头围是胎儿重要的生物指标,产科和妇科医生通过测量胎儿头围可以预测孕妇的孕龄和预产期、评估胎儿发育情况以及孕妇的分娩方式。准确测量胎儿头围需要经验丰富的超声医生来完成,不同医生之间的经验差异会导致测量结果存在一定的偏差。通过计算机辅助医生测量头围能降低不同医生之间的测量误差,减轻医生的工作压力,同时提升医生工作效率,因此,胎儿头围自动测量算法研究具有十分重要的临床意义。在临床上以及头围自动测量算法研究中,多以胎儿头部呈椭圆形的假设为前提,拟合头部边缘的椭圆曲线,曲线周长即为胎儿头围。超声胎儿头围自动测量算法主要分三步:(1).胎儿头部边缘检测;(2).头部边缘椭圆拟合;(3).计算头围。胎儿头部边缘检测是头围测量的关键步骤,因胎儿头部超声图像边界模糊、超声声影造成图像中胎儿颅骨部分缺失、羊水及子宫壁形成与胎儿头部纹理及灰度相似的结构等因素干扰,这些给超声胎儿头部边缘检测及头围测量带来一定的难度。本文首先基于医学图像分割网络U-Net进行胎儿头部分割,进而提取头部边缘,计算头围。在U-Net分割网络基础上,对U-Net网络结构稍作调整,并对编码器部分进行深度监督,提升网络分割性能。U-Net网络提取的不同级别的特征语义鸿沟较大,UNet++网络针对这一问题重新设计编码器解码器连接方式。本文进一步以UNet++神经网络结构为基础,结合UNet++最后一层特征,构成融合型UNet++网络作为胎儿头部分割网络。训练过程中,为缓解模型训练过拟合程度,在网络中引入空间dropout层。具体思路是通过融合型UNet++深度神经网络提取超声胎儿头部图像特征,通过胎儿头部区域概率图预测,输出胎儿头部语义分割的感兴趣区域。进一步获取胎儿的头部边缘关键点信息,并采用边缘曲线拟合方法拟合边缘,最终测量出胎儿头围大小。本文实验数据来自二维超声胎儿头围自动测量公开数据集HC18,数据集包含999幅带标注的训练集,以及335幅无标注的测试集。本文以Dice系数、Hausdorff距离(HD)、头围绝对差值(AD)等指标评估模型性能。改进的U-Net网络的预测结果为Dice系数97.92%,HD距离1.29±0.80 mm,头围测量AD 1.93±1.91 mm,改进的U-Net网络能够准确定位胎儿头部位置并确定头部区域。融合型UNet++网络的结果为Dice系数98.06%,HD距离1.21 ±0.69 mm,头围测量AD 1.84±1.73 mm。在HC18数据集已提交结果中,融合型UNet++取得了很好的头部感兴趣区域分割和头围测量效果。基于深度学习方法的头围测量算法与经典超声胎儿头围测量方法相比,能有效克服超声边界模糊、边缘缺失等干扰,精准分割出胎儿头部感兴趣区域,获取边缘关键点信息。与现有神经网络方法相比,本文提出的融合型UNet++能充分利用上下文相关信息与局部定位功能,在妊娠中期的头围测量中,本文方法明显优于其他方法。