测量胎儿头围可估计胎龄和监测胎儿的生长。医学超声影像技术由于其廉价性、无辐射和实时性，成为测量胎儿头围的首选方式。然而，目前的主要测量方式是通过有经验的医师手动测量，测量精度依赖于医师临床经验。这种方式易导致超声图像测量耗时，增大医师工作量。现有有经验的医师资源并不充足，一些落后地区更为明显，影响孕妇产前检查的准确性。为了提高超声测量的工作效率以及准确性，本文提出一种测量方案帮助解决自动测量胎儿头围参数。本课题的研究对缓解医产前检查工作压力，提高产前超声诊断工作效率具有积极作用。本文提出超声图像自动测量方法旨在降低对医师经验的依赖，快速有效获得测量结果，提高产前诊断效率。
　　本文首先基于医学图像分割网络U-Net模型对胎儿头部超声图像进行分割。在U-Net网络模型基础上对网络结构进行调整，提出H-Unet胎儿头部分割网络模型。H-Unet利用Non-local模块捕获长范围依赖关系，融合空间金字塔模块获取多尺度特征信息，并提出一种改进的损失函数进行网络训练;然后，通过Canny算子检测头部边缘，利用基于最小二乘法的椭圆拟合方法自动计算出胎儿头围值。超声图像的背景区域不可避免地对胎儿分割精度产生影响。为了提高分割网络对胎儿头部区域的关注，本文进一步以MaskR-CNN网络模型为检测框架，结合H-Unet网络作为分割网络模块。首先对胎儿头部超声图像进行目标检测，找到感兴趣的胎儿头部区域。然后，采用本文提出的H-Unet网络对胎儿头部区域进行小区域分割。因为超声仪器成像可能会使胎儿头部两侧轮廓缺失，从而导致胎儿头部两侧检测的轮廓不准确。本文提出了一种基于稳健统计的异常检测方法去除分割结果的异常像素点，提高胎儿头围测量精度。
　　本文在HC18胎儿头部超声图像数据集上进行实验，计算并分析本文方法的头围绝对误差值(AD)、Hausdorff距离(HD)以及Dice系数等评价指标。结果表明，本文方法在这些评价指标上优于其它方法，验证了本文方法在胎儿头围测量上的有效性和优越性。