基于稀疏抽样的深度集成方法用于 2D 胎儿超声图像自动生物测量评估

国际超声学会(ISUOG)主张在产程监测中使用产程超声(US)成像。两项可靠的超声衍生参数用于预测仪器性阴道分娩结果，分别是进展角(AoP)和头-盆骨距离(HSD)。本文作为 IUGC 2024 挑战赛的一部分，我们提出了一个自动化胎儿生物测量管线，以减少内外观察者间的变异性并提高测量可靠性。我们的管线包含三个关键任务：(i)从 US 视频中对标准平面(SP)进行分类，(ii)从检测到的 SP 中对胎儿头和盆骨进行分割，(iii)从分割区域计算 AoP 和 HSD。我们采用稀疏抽样以缓解类别不平衡问题并减少任务 (i) 中的伪相关，利用基于集成的深度学习方法处理任务 (i) 和 (ii) 以增强在不同 US 采集设置下的通用性。最后，为提高任务 (iii) 对测量结构忠诚度的鲁棒性，我们保留最大连通分量并对分割区域进行椭圆拟合。该解决方案在 4 名患者和 224 帧不可见的 hold-out 数据集上实现了 ACC: 0.9452、F1: 0.9225、AUC: 0.983、MCC: 0.8361、DSC: 0.918、HD: 19.73、ASD: 5.71、$\Delta_{AoP}$: 8.90 和 $\Delta_{HSD}$: 14.35。该自动化管线的结果可改善对产程停滞原因的理解，并指导临床风险分层工具的开发，以提高产前护理的效率和效果。