产前诊断中，胎儿脑 MRI 成为神经超声的重要补充，通过对妊娠期间胎儿脑发育的基本洞察。本研究提出 FetMRQC，一个开源的机器学习框架，用于自动图像质量评估和质量控制，克服了临床数据异质性引起的领域转移问题。该框架从原始解剖 MRI 中提取一组质量指标，并结合随机森林模型预测专家评分。通过对超过 1600 个手动评级的胎儿脑部 T2 加权图像进行验证，显示 FetMRQC 的预测结果泛化到未知数据，并具有可解释性。FetMRQC 是更稳健的胎儿脑神经影像学研究的一步，有潜力对人脑发育产生新的洞察。

Nov, 2023

本研究提出了一种基于半监督的深度学习方法，通过均值教师模型及 ROI 一致性损失检测胎儿脑体积扫描中的伪迹，结果表明相比于有监督学习，该方法可以提高模型准确度约 6％，并且优于其他半监督学习方法。此外，该方法已在 MR 扫描仪上进行实现和评估，并证明了胎儿 MR 扫描过程中在线图像质量评估和图像重新采集的可行性。

Jun, 2020

本研究通过强化学习提出了一个双层质量评估模型，能有效地评估超声图像的质量，通过稀疏的二进制注释训练，结果证实该模型能够胜任胎儿脑数据质量评估任务。

Apr, 2023

使用大规模注释数据集，结合 U-Net 风格结构、注意力机制、多对比度特征学习和数据增强，开发验证了准确、高效、具有普适性的自动胎儿脑提取深度学习方法。

Oct, 2023

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

提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库，覆盖 20 至 33 周的不同孕龄和 7 个不同的组织类别，以及对多种自动多组织分割算法准确性的量化评估。

Oct, 2020

本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

Mar, 2022

使用迁移学习方法，本研究提出了一种创新的方案，通过模拟图像伪影，自动进行临床数据仓库中三维梯度回波 T1 加权脑部 MRI 图像的质量控制，达到了优秀的识别质量差的 MRI 图像的结果，对中等质量的 MRI 图像也取得了令人满意的表现，为充分利用临床数据仓库中的 MRI 图像提供了有价值的工具。

Jun, 2024

本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

Aug, 2020

提出了一种基于胎儿脑组织精确分割的解剖约束轨迹追踪方法，通过深度学习自动计算出精确的分割， 从而显著提高扩散张量成像的准确性和可重现性。

Mar, 2024