基于三维点云几何多尺度特征融合的胎儿脑成熟度评估方法

本发明涉及胎儿脑成熟度智能评估的，具体而言，涉及一种基于三维点云几何多尺度特征融合的胎儿脑成熟度评估方法。

背景技术：

1、胎儿脑发育是一个连续且高度结构化的生物过程。在整个妊娠时期，胎儿大脑容积不断扩张的同时，半球形状也在发生变化，随着脑表面曲率逐渐变化，会出现脑沟及脑回等结构。对这些变化进行定量表征并评价胎儿脑成熟度，对于胎儿先天性中枢神经系统异常及远期神经系统疾病的易感性有重要的临床意义。

2、目前，产前超声是评估胎儿颅脑的主要手段。然而，现有技术在评估胎儿脑成熟度时，存在以下技术瓶颈：

3、（1）超声图像质量受限：超声图像存在斑点噪声、颅骨声影及母体衰减，导致提取的3d表面点云具有非均匀的密度和局部缺失。

4、（2）通用点云网络适配性差：现有的通用3d点云网络（rf、pointnet、pointnet++、dgcnn、pointmamba、pointnet++ + gmsfa）采用固定半径的分组方式，无法自适应应对脑部复杂沟回区域与平缓区域的特征差异。

5、（3）信息泄漏导致模型退化：现有评估模型常将真实孕周作为辅助特征直接或间接输入，导致模型产生“循环论证”（直接通过输入的孕周推断脑成熟度，而非学习到真实的脑形态学特征），严重影响了模型的泛化能力和实际临床应用价值。

6、因此，我们亟需一种全新的胎儿脑成熟度评估方法，以解决现有技术在评估胎儿脑成熟度方面的技术缺陷。

技术实现思路

1、本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

2、为此，本发明的目的在于提出一种基于三维点云几何多尺度特征融合的胎儿脑成熟度评估方法。

3、为了实现上述目的，本发明的技术方案，提供了一种基于三维点云几何多尺度特征融合的胎儿脑成熟度评估方法。该基于三维点云几何多尺度特征融合的胎儿脑成熟度评估方法，包括：步骤s1：获取胎儿的颅脑超声图像，并提取所述超声图像的颅脑三维超声容积数据；步骤s2：对所述颅脑三维超声容积数据进行预处理，以生成点云特征，作为点云识别网络的输入；步骤s3：构建点云识别网络，以进行多尺度几何特征自适应提取；其中，点云识别网络包括：前置特征映射层、四级串联的sa模块、跨尺度几何特征融合模块gmsfa和预测头；其中，所述前置特征映射层为共享多层感知机shared mlp，对所述点云特征执行维度映射，输出特征分流依次接入第一级sa模块、第二级sa模块、第三级sa模块和第四级sa模块；每一级sa模块的执行流程为：输入点集xyz特征→进行fps最远点采样，以筛选得到中心点→采用曲率自适应半径分组机制，以构建局部邻域→局部最大池化完成邻域特征粗聚合→采用曲率注意力模块进行特征权重调制→采用shared mlp提取领域主点特征，以完成特征升维→输出本级几何特征；通过gmsfa模块，将四级sa模块输出的多尺度特征统一映射至m维特征维度，以完成特征分辨率对齐，采用可学习门控权重，实现浅层细粒度几何特征与深层全局语义特征自适应融合，为每一级尺度特征配置独立mlp完成差异化特征变换，生成融合后的全局几何表示；将所述全局几何表示输入至预测头shared mlp完成特征映射；所述预测头的输出端分为三级成熟度分类头和孕周回归头；所述三级成熟度分类头和孕周回归头对应输出胎儿颅脑的离散成熟度类别概率分布和连续胎龄估计值；步骤s4：构建输出层一致性损失函数，以关联连续胎龄估计值与离散成熟度类别概率分布；步骤s5：基于所述输出层一致性损失函数，构建整体优化目标损失函数；步骤s6：基于所述整体优化目标损失函数和所述点云特征，对所述点云识别网络进行训练，以供后续基于训练好的点云识别网络进行胎儿脑成熟度评估；其中，在对点云识别网络的训练过程中，仅将真实胎龄作为监督目标，真实胎龄标签不参与网络特征输入以规避数据泄露。

4、优选地，步骤s2，具体包括：步骤s2.1：对所述颅脑三维超声容积数据进行尺度归一化；步骤s2.2：对尺度归一化后的所述颅脑三维超声容积数据进行手动分割，以提取胎儿脑表面感兴趣区网格，并进行表面重建、网格清理与孔洞填充；步骤s2.3：对处理后网格进行均匀采样，得到包含n个采样点的表面点云，并计算每个采样点的局部表面法线及平均曲率；步骤s2.4：基于每个采样点的三维坐标、局部表面法线及平均曲率，构建采样点对应的输入特征，以生成点云特征，作为后续点云识别网络的输入。

5、优选地，在步骤s2.4中，所述输入特征对应的表达式为：

6、；

7、其中，为三维坐标，为局部表面法线，为平均曲率。

8、优选地，n为4096。

9、优选地，在步骤s3中，所述前置特征映射层，对原始4096×7维点云特征执行 7→64→64 维度映射；所述fps最远点采样，通过迭代选出空间上距离已选样本最远的点，以最终选出指定数量的点位，以保障采样点在三维曲面上均匀分散；四级sa模块下采样后的关键点数量依次为1024个、512个、256个和128个；所述曲率自适应半径分组机制，依据中心点自身平均曲率动态调整邻域搜索半径，四级sa模块配置的基础半径rbase依次为0.12、0.18、0.28和0.4，同时限定单个中心点的邻域最大点数k依次为24、32、48和64；所述曲率注意力模块，利用中心点与邻域采样点之间的曲率对比度，调制注意力权重系数，以消除高曲率特征权重固定赋值的先验偏差；四级sa模块依次输出128维、256维、384维和512维的多尺度几何特征；m为128；所述预测头shared mlp的网络结构为128→18→64，所述三级成熟度分类头基于64维特征输出3分类胎儿颅脑的离散成熟度类别概率分布结果，所述孕周回归头基于64维特征输出连续胎龄估计值。

10、优选地，对于第 l层的第 j个中心点，采用所述曲率自适应半径分组机制，计算局部分组半径的公式为：

11、；

12、其中，为预设的基础半径，为sigmoid激活函数，为可学习的调整权重系数，为中心点 j处的归一化的曲率。

13、优选地，采用曲率注意力模块，在自适应邻域内，计算邻域点i 的注意力权重系数的公式为：

14、；

15、其中，、为可学习的投影矩阵，为特征维度，为曲率对比度控制超参数；为是点i在l层的特征，为中心点j在l层的特征，为遍历在l层的特征，为在内遍历的点；为第l层，中心点j的局部邻域点集合，该局部邻域点集合由自适应半径分组得到，为点i的平均曲率，点j的平均曲率；为点遍历的平均曲率；

16、由注意力权重系数更新，得到的局部特征为：

17、；

18、其中，为可学习的投影矩阵。

19、优选地，在步骤s3中，所述可学习门控权重的公式为：

20、；

21、其中，是可学习门控权重，是融合得到的全局多尺度特征向量，是第l层改进输出的层级点特征，是第 l 层专属的mlp。

22、优选地，在步骤s4中，所述输出层一致性损失函数的公式为：

23、；

24、其中，为预设成熟度类别区间  的中点值，为预测连续胎龄，为预测离散成熟度类别概率，c为辅助类别的数量，c为3。

25、优选地，在步骤s5中，所述整体优化目标损失函数的公式为：

26、；

27、其中， 和  分别为真实胎龄和真实的离散成熟度标签，为预测类，y是真实成熟度类比，为huber回归损失，为加权交叉熵损失，为0.35，为0.08。

28、与现有技术相比，本发明提供的基于三维点云几何多尺度特征融合的胎儿脑成熟度评估方法，具有以下有益效果：

29、（1）防数据泄漏，泛化性强：本发明通过切断真实胎龄与网络输入/隐藏层之间的连接，仅依赖纯几何形变特征进行预测，并利用输出层一致性损失实施约束，从根源上消除了“目标泄漏”风险。

30、（2）自适应多尺度提取，对噪声鲁棒：引入的自适应半径分组和曲率引导注意力机制，能够在脑沟回等复杂区域自动扩大感受野，在平滑区域收紧邻域，有效克服了超声图像伪影及点云非均匀密度带来的干扰。

31、本发明的附加方面和优点将在下面的描述中变得明显，或通过本发明的实践了解到。