版权声明：原创文章，欢迎转载。转载请注明：转载自https://blog.csdn.net/jizhidexiaoming https://blog.csdn.net/jizhidexiaoming/article/details/88987462
一、临床问题
超声图像中胎儿头围是评估胎儿发育（评估胎儿体重的重要参数之一）的重要指标。
二、自动测量的意义
胎儿头围一般由医生手动进行椭圆拟合，费时费力，且存在较高的用户差异，导致胎儿发育诊断的偏差，特别是会导致分娩方式决定的错误。
三、任务目标
对头骨外边缘进行分割（下图高亮区域），对于分割结果进行椭圆拟合（红色椭圆），并基于象素物理大小计算椭圆周长（也即是头围长度）。
四、数据说明
（1）训练数据：包括250张头围图片，以及每张图对应的椭圆拟合线，以及每张图对应像素尺寸（医学图像是有物理大小的，也就是每个像素是有物理大小的），自己可以根据椭圆线填充生成训练的分割掩模。
（2）测试数据：50张头围测试图片；
五、算法步骤
将该问题视为图像分割任务，基于U-net网络，端对端进行训练，具体算法过程如下：
（1）根据椭圆线填充生成训练的分割掩模，如下。
（2）训练样本太少，进行数据扩增，一部分用作训练集，一部分用作验证集；
（3） 基于tensorflow框架复现论文U-Net: Convolutional Networks for Biomedical Image Segmentation，实现U-net图像分割网络，进行端对端训练；
（4）测试
（5）后处理，去除噪声，具体步骤：填充空洞 -> 保留最大连通域 -> 与填充前图像点乘，保留分割区域边界 -> 再填充（因为前面一步可能产生空洞）-> 读取区域边界 -> 红线圈出边界
