低资源环境下胎儿超声图像质量评估的进步

准确的胎儿生物标志物测量（如腹围）对于产前护理至关重要。然而，获取这些测量的高质量超声图像高度依赖于超声声学师的专业技能，这在因缺乏培训人员而面临挑战的低收入国家尤为突出。为此，我们利用FetalCLIP——一个在超过21万对胎儿超声图像-描述文本对上预训练的视觉-语言模型——对盲扫超声数据进行自动化胎儿超声图像质量评估(IQA)。我们引入FetalCLIP$_{CLS}$，这是一种从FetalCLIP适配的IQA模型，采用低秩适应(LoRA)技术，并在ACOUSLIC-AI数据集上与六个CNN和Transformer基线方法进行评估。FetalCLIP$_{CLS}$取得F1分数0.757的最高成绩。此外，我们展示了当一种适配的分割模型被改造用于分类时，性能进一步提升， achieving an F1分数0.771。我们的工作表明，通过参数高效微调胎儿超声基础模型可以实现面向特定任务的适应，推动资源受限环境下的产前护理。实验代码可在：https://github.com/donglihe-hub/FetalCLIP-IQA 获取。