基于超声图像的胎儿腹围自动估计
计算机视觉与模式识别
2017-11-03 v2 机器学习
摘要
超声诊断常规用于妇产科胎儿生物测量，由于其耗时过程，对自动估计有巨大需求。然而，超声图像的自动分析复杂，因为它们具有患者特异性、操作者依赖性和机器特异性。在各种胎儿生物测量中，腹围（AC）的准确估计尤其难以自动执行，因为与其他参数相比，腹部对周围对比度低、对比度不均匀且形状不规则。我们提出一种通过专门设计的卷积神经网络（CNN）从2D超声数据自动估计胎儿AC的方法，该方法考虑了医生的决策过程、解剖结构和超声图像的特性。所提方法使用CNN对超声图像（胃泡、羊水与脐静脉）进行分类，并利用霍夫变换测量AC。我们使用从56名孕妇获取的临床超声数据测试所提方法。实验结果表明，在相对较小的训练样本下，所提CNN通过霍夫变换为AC估计提供了充分的分类结果。所提方法从超声图像自动估计AC。该方法经定量评估，在大多数情况下甚至对受阴影伪影恶化的超声图像表现出稳定性能。作为我们验收检查的实验结果，与专家1和专家2的准确率分别为0.809和0.771，而两位专家间的准确率为0.905。然而，对于胎儿过大的情况，当未观察到羊水或腹部区域变形时，无法正确估计AC。
引用
@article{arxiv.1702.02741,
title = {Automatic Estimation of Fetal Abdominal Circumference from Ultrasound Images},
author = {Jaeseong Jang and Yejin Park and Bukweon Kim and Sung Min Lee and Ja-Young Kwon and Jin Keun Seo},
journal= {arXiv preprint arXiv:1702.02741},
year = {2017}
}