May, 2022

深度学习胎儿超声视频模型在生物测量方面与人类观察者相匹配

PDF
TL;DR使用深度卷积神经网络（CNN）自动测量胎儿头围、双顶径、腹围和股骨长度，以及使用胎儿超声视频估计胎龄和胎儿重量，利用名为 FUVAI 的新型多任务基于 CNN 的时空胎儿 US 特征提取和标准平面检测算法。我们发现，自动测量胎儿生物测量学功能的 FUVAI 和由有经验的超声医生进行的测量相比是可比较的。再者，分析表明，当将任何个别医疗专家与我们的模型进行比较时，这些差异在统计学上并不显着。
deep convolutional neural networksfetal body measurementsfetal ultrasoundmulti-task cnn-based spatio-temporal feature extractiongestational age estimation
发现论文，激发创造
  • 基于 AI 的整体检查，从 20 周超声波扫描估计胎儿生物测量学

    通过从整个扫描中聚合自动提取的生物测量数据，无需人工干预，本研究引入一种范式转变，实现了与人类水平相当的生物测量性能，以及正确估算胎儿生物测量数据的可信区间。

    Jan, 2024

  • 胎儿超声异常扫描的统一生物识别估计的多任务学习方法

    我们提出了一种多任务学习方法，通过对超声图像进行分类和分割来准确估计胎儿生物度量参数，实验结果在胎儿超声图像数据集上达到了很高的分类准确率和较小的平均绝对误差。

    Nov, 2023

  • 多任务深度学习的胎儿超声图像分割测量生物测量参数

    利用多任务深度卷积神经网络，通过最小化由分割 Dice 系数和椭圆参数的均方误差构成的复合成本函数来进行自动分割和估计胎儿头围，并将分割结果和估计结果与放射科医师注释进行匹配，实验结果表明，该方法的分割和评估精度优于现有技术。

    Aug, 2019

  • 低资源环境中的胎儿超声 AI 系统

    本论文研究了怀孕期间母婴保健的重要性，探讨了人工智能辅助超声波技术诊断胎儿发育状况的可行性，特别是针对在低资源环境下不熟练的超声设备操作人员的辅助作用，模型可以用于预测孕周和胎儿位置，提高了胎儿保健水平。

    Mar, 2022

  • SonoNet: 实时检测和定位自由手超声中胎儿标准扫描平面

    本研究提出了基于卷积神经网络的新方法，可以自动检测 13 个胎儿标准扫描视图并通过边界框提供胎儿结构的定位，且只需通过图像级标签进行弱监督学习，提供实时定位，检测和检索的精度表现都很高。

    Dec, 2016

  • 评估 U-Net 的胎儿头部超声图像分割的微调策略

    胎头分割是测量胎儿头围的关键步骤，在产科胎儿生长监测中是一个重要的生物测定值。本研究提出了一种迁移学习方法，使用轻量级 MobileNet 作为编码器的 U-Net 网络进行微调，以在受限的胎儿头部超声图像数据集上进行分割。该方法解决了从头开始训练卷积神经网络的挑战性任务，并表明所提出的微调策略在减少 85.8% 的可训练参数数量时仍能实现可比的分割性能。该方法在可训练参数数量小于 440 万时优于其他策略，因此可作为医学图像分析领域中模型大小减小的可靠微调方法。研究结果强调了在通过迁移学习方法开发人工智能应用时，在模型性能与大小之间保持平衡的重要性。

    Jul, 2023

  • 深度学习实现胎儿 MRI 中胎儿脑自动提取

    本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

    Oct, 2017

  • FetusMapV2：增强型 3D 超声胎儿姿势估计

    本研究提出了一种名为 FetusMapV2 的新型三维胎儿姿势估计框架，通过探索互补网络结构、限制 GPU 内存等方法来克服三维胎儿姿势估计的挑战，设计了一种新的损失函数来解决对称和相似解剖结构造成的混淆问题，并提出基于形状先验的自监督学习以在线优化姿势。在大规模胎儿超声数据集上进行的大量实验证明，我们的方法优于其他竞争对手。

    Oct, 2023

  • 准确胎儿生物测量的超声图像分割中的不确定性建模

    这篇论文研究了超声数据中医学图像分割中的不确定性问题，着重于胎头和股骨超声图像。通过提取目标轮廓和探索精确参数测量技术，提出了一种新的方法。采用不确定性建模方法来增强分割网络的训练和测试过程，并且使用测试时间扩增（TTA）的不确定性建模实验表明 TTA 方法可以有效地解释数据的不确定性，从而支持临床医生做出有根据的决策和获得更可靠的测量结果，以提高超声图像分割的可靠性和生物计量测量的可靠性。

    Jan, 2024

  • 学习超声平面姿态回归：评估胎儿大脑中广义姿态坐标

    本研究旨在开发一种超声定位系统，以通过卷积神经网络回归网络预测胎儿脑部任意定向的超声截面图像在参考标准框架下的六维姿态，同时分析评估该参考框架对标准平面获取的准确性，并探究注册质量和数据扩充等因素对训练和测试结果的影响，最终使本系统的平均翻译误差和旋转误差分别达到 3.53 毫米和 6.42 度。

    Jan, 2023