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

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

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

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

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

本文提出一种新颖的自动胎儿脑生物测量方法，通过高端超声图像建立低成本超声图像的生物测量解决方案，利用双重对抗校准框架进行非监督领域自适应方法，从而达到对低成本超声设备图像进行足月头围和颞上径估计的目的。

Aug, 2021

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

研究论文通过多任务框架进行了自动多类胎儿血管分割和异常分类，并表明其训练策略显著优于传播标签和仅基于 T2w 体积图像训练的网络。 添加分类器可以提高正确分类的双主动脉弓患者的解剖和拓扑准确性。

Nov, 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

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