本文介绍了一种新型流水线，旨在将超声（US）平面姿态估计更接近临床应用，以实现对胎儿大脑中标准平面（SPs）的更有效导航。我们提出了一种半监督分割模型，利用标记的 SPs 和未标记的 3D US 体积切片，实现对多样化的胎儿大脑图像的可靠分割。此外，该模型还采用分类机制来精确定位胎儿大脑。我们的模型不仅能过滤掉缺少大脑的帧，还能为包含大脑的帧生成掩模，增强了平面姿态回归在临床环境中的相关性。我们侧重于从二维超声（US）视频分析进行胎儿大脑导航，并将该模型与 US 平面姿态回归网络相结合，以提供对 SPs 和非 SPs 平面的无传感器邻近检测。我们强调邻近检测对于指导超声波医生至 SPs 的重要性，相比传统方法，这种方法的优势在于允许在扫描过程中进行更早和更精确的调整。通过对由不同专业水平的超声波医生获得的真实胎儿扫描视频进行验证，我们证明了我们方法的实用可行性。我们的研究结果展示了我们方法在补充现有胎儿超声技术和推进产前诊断实践方面的潜力。

Apr, 2024

我们提出了一种基于不确定性的深度学习模型，用于自动定位二维超声胎儿脑图像在三维脑中的平面位置。该方法通过学习显式预测不确定性，从而提高输入的权重，并在不同几何变换下改善性能。与现有方法相比，我们的方法在平面角度定位准确度上提高了 9%，在采样图像质量的归一化互相关上提高了 8%。此外，我们的方法在资源受限环境下具有更高的效率，参数量比集成方法少 5 倍，同时利用旋转不连续性和输出不确定性提高了对自由扫描噪声的鲁棒性。

May, 2024

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

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

该研究介绍了一种基于强化学习的自动化三维超声标准面定位方法，该方法通过在强化学习中重新构造动作空间并设计一个辅助任务学习策略来增强模型识别标准面的能力。最终提出了一种空间解剖奖励机制，能够同时利用空间和解剖信息来指导准确的学习轨迹，并在子宫和胎儿脑数据集上实验，表明该方法能够高效地完成四种 SP 的自动化定位，并具有高精度和良好的鲁棒性。

Jul, 2022

本文利用 GAN 技术生成 256x256 胎儿超声横颞脑平面图像，结果表明 GAN 技术可以生成逼真的高分辨率超声图像，为将来合成其他胎儿脑平面、解剖结构和设备的工作奠定了基础。

Apr, 2023

本文研究通过建立基于人类视觉注意的模型来学习图像的可转移表示，以取代直接学习类标签所造成的图像理解的简化。通过在超声视频中预测视觉显著性或注视点回归，利用卷积神经网络从注视数据集中学习视觉注意模型，并评估该模型在超声标准平面检测任务中的可迁移性。实验表明，在有限标记的场景下，微调视觉显著性预测器优于随机初始化，平均 F1 分数整体提高 9.6％，对于心脏平面提高了 15.3％。另外，该学习方法生成的表示发现是可靠的，在近乎监督的基准模型的精度上接近。

Mar, 2019

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。

May, 2022

该研究聚焦于使用超声技术获取 2D 胎儿脑部图像，提供了一个共同空间中的模板和注释图像用于分析脑发育，检测异常，并开发新的分割技术和配准方法。

Jun, 2024

提出了 RapidVol：一种神经表示框架用于加快切片到体积的超声重建，并通过使用张量秩分解将典型的三维体积分解为三面板的集合，再用一个小型神经网络来存储，只需一组带有三维位置和方向（姿态）的二维超声扫描就可以进行完整的三维重建。与基于完全隐式表示的先前方法相比（如神经辐射场），我们的方法速度提高了 3 倍以上，准确性提高了 46%，而且在给出不准确的姿态时具有更强的鲁棒性。可以通过从结构先验而不是从头开始进行重建来进一步加快速度。

Apr, 2024