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

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

该研究提出了一种使用条件扩散模型生成可控姿态的三维合成胎儿磁共振成像方法，并采用辅助姿态级损失来增强模型性能。实验证明，该方法生成的高质量合成胎儿磁共振成像能够准确识别胎儿姿态，并与真实胎儿磁共振成像比较具有竞争优势。此外，通过集成合成胎儿磁共振成像，可以提高胎儿姿态估计模型的性能，尤其适用于数据有限的情况下，相对于真实扫描数据，能够提高 15.4％的 PCK 值和减少 50.2％的平均误差。该方法有望更有效地解决胎儿运动问题，从而提高实时追踪模型的性能。

Mar, 2024

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

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

该研究利用深度学习在单目 3D 人体姿势估计领域提出了一种新型结构，可以同时从图像中推算出 3D 关节坐标和 2D 关节位置，使用可训练的融合方案使信息得以最佳融合，从而在标准的 3D 人体姿势估计基准测试中大幅提高了现有技术水平。

Nov, 2016

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

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

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