本研究将胎盘图像分析中的子宫-胎盘界面检测问题视为语义轮廓检测问题，提出了一种名为UPI-Net的方法来捕获胎盘几何中的长距离依赖关系以降低误检概率。实验证明UPI-Net比其他竞争对手具有更高的轮廓检测性能，而且不需要增加过多运算量。

Aug, 2019

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

本文提出了一种名为BRAU-Net的方法，用于解决耻骨联合-胎头分割任务。该方法采用了一种类似U-Net的纯Transformer架构，并结合了双层路由注意力和跳跃连接，有效地学习了局部-全局语义信息。通过对耻骨联合-胎头分割和进展角度（FH-PS-AOP）挑战的经会阴超声图像数据集进行评估，结果表明所提出的BRAU-Net达到了相当的最终得分。代码将在此https URL上提供。

Sep, 2023

通过机器学习分割方法，本文对胎盘 BOLD MRI 进行准确的分割，并在多种目标函数上进行全面评估。研究结果表明，边界加权可以提高胎盘分割性能。

Dec, 2023

提出了一种利用深度学习和多种融合策略自动进行三维多模式（B模式和功率多普勒）超声分割的人类胎盘分割方法，发现多模式信息以B模式和功率多普勒扫描的形式优于任何单一模式，且数据级别的融合提供了最佳结果，均值Dice相似系数（DSC）为0.849。

Jan, 2024

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

通过使用混合Transformer U-Net（MiTU-Net）网络自动测量胎头-耻骨联合的分割和度量角度的方法，本研究证明了该方法的有效性，并且在最新的会阴超声数据集上取得了竞争性的成果，能够减少误差并帮助临床实践中的超声医生。

Jan, 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

通过比较交互式分割模型和人为干预方法对胎盘分割的性能，我们发现人为干预模型在Dice分数等指标上表现优异，同时对于交互式胎盘分割任务，人为干预模型在不同视觉提示数量下既有效又高效。

Jul, 2024

本研究解决了分割聚合骶骨和胎头（PSFH）在监测分娩进程及识别潜在并发症方面的不足，尤其是在缺乏标注医学图像情况下的分割训练问题。我们提出了一种新颖的双学生和教师结合CNN与Transformer的框架，通过互相监督的方式生成硬标和软标，提高了分割精度。实验结果表明，该框架超越了十种现有的半监督分割方法，具有显著的推广能力和应用前景。

Sep, 2024