[论文解读] Fetal Head and Abdomen Measurement Using Convolutional Neural Network, Hough Transform, and Difference of Gaussian Revolved along Elliptical Path (Dogell) Algorithm

Kezia Irene, Aditya Yudha P.+3 more|arXiv (Cornell University)|Nov 14, 2019

Neonatal and fetal brain pathology被引用 7

一句话总结

本论文提出了一种基于卷积神经网络（CNN）进行降噪预处理，结合霍夫变换与一种新型Dogell算法（沿椭圆路径旋转的高斯差分）进行椭圆拟合，实现超声图像中胎儿头围（HC）和腹围（AC）的自动化测量方法。Dogell算法在准确性和速度上均优于霍夫变换，首次将CNN预处理与该混合方法结合用于HC和AC的自动化测量。

ABSTRACT

The number of fetal-neonatal death in Indonesia is still high compared to developed countries. This is caused by the absence of maternal monitoring during pregnancy. This paper presents an automated measurement for fetal head circumference (HC) and abdominal circumference (AC) from the ultrasonography (USG) image. This automated measurement is beneficial to detect early fetal abnormalities during the pregnancy period. We used the convolutional neural network (CNN) method, to preprocess the USG data. After that, we approximate the head and abdominal circumference using the Hough transform algorithm and the difference of Gaussian Revolved along Elliptical Path (Dogell) Algorithm. We used the data set from national hospitals in Indonesia and for the accuracy measurement, we compared our results to the annotated images measured by professional obstetricians. The result shows that by using CNN, we reduced errors caused by a noisy image. We found that the Dogell algorithm performs better than the Hough transform algorithm in both time and accuracy. This is the first HC and AC approximation that used the CNN method to preprocess the data.

研究动机与目标

• 通过实现胎儿异常的早期检测，解决印度尼西亚胎儿-新生儿死亡率高的问题。
• 通过用自动化图像处理替代人工标注，减少胎儿头围和腹围测量中的主观误差与变异性。
• 利用卷积神经网络（CNN）作为预处理步骤，提升图像质量并减少超声扫描中的噪声。
• 评估并比较霍夫变换与一种新型Dogell算法在胎儿超声图像中椭圆拟合的性能。
• 开发一种临床适用的、全自动的HC和AC测量系统，以支持孕期母体监测。

提出的方法

• 将卷积神经网络（CNN）应用于原始超声图像的预处理，以减少噪声并增强与胎儿结构相关的特征。
• 使用霍夫变换算法检测预处理后图像中代表胎儿头围和腹围轮廓的椭圆形状。
• 所提出的Dogell算法通过沿旋转椭圆路径应用高斯差分滤波来检测椭圆，提高了对曲线边界的敏感性。
• Dogell方法通过建模参数化椭圆路径上的强度变化，增强了在噪声较大或对比度较低的超声图像中检测的准确性。
• 系统对每幅图像进行处理，提取检测到的椭圆的长轴和短轴，从而计算出HC和AC。
• 通过将自动化测量结果与专业产科医生标注的金标准进行对比，验证性能。

实验结果

研究问题

• RQ1 CNN能否有效减少胎儿超声图像中的噪声并增强相关解剖结构特征，从而提高后续测量的准确性？
• RQ2 Dogell算法在检测超声图像中胎儿头围和腹围轮廓时，性能与霍夫变换相比如何？
• RQ3 CNN预处理与Dogell算法结合是否能比传统方法实现更准确、更快速的测量？
• RQ4 自动化HC和AC测量在多大程度上能与专家产科医生的标注精度相匹配？
• RQ5 所提出的方法是否适合在缺乏专业放射科医生的临床环境中部署？

主要发现

• CNN预处理步骤显著降低了图像噪声，从而提高了后续测量算法的特征提取可靠性。
• 在测试数据集中，Dogell算法在检测胎儿头围和腹围轮廓方面比霍夫变换具有更高的准确性。
• Dogell算法比霍夫变换更快，显示出在实时应用中更高的计算效率。
• 整体系统与专家标注测量结果高度一致，表明该方法在自动化胎儿大小评估中具有临床可行性。
• 本研究是首次将基于CNN的预处理专门应用于结合Dogell算法进行自动化胎儿HC和AC测量。
• 结果表明，该方法可支持低资源环境下的母体监测及胎儿异常的早期检测。