基于多任务学习的二维胎儿超声标准切面自动质量评估
计算机视觉与模式识别
2019-12-12 v1
摘要
胎儿超声（FS）图像的质量控制对于正确的生物测量和胎儿异常诊断至关重要。然而，质量控制需要专业超声医师执行且往往劳动密集。为解决此问题，我们提出一种基于多任务学习的自动图像质量评估方案，以辅助 FS 图像质量控制。FS 图像质量控制的一项基本准则是：切面中所有必要解剖结构应完整且显著呈现并具清晰边界。因此，我们的方案旨在识别这些必要解剖结构以判断一幅 FS 图像是否为标准图像，这通过三个卷积神经网络实现。特征提取网络旨在提取 FS 图像的深层特征；基于所提取特征，类别预测网络判定结构是否达标，区域提议网络识别其位置。该方案已应用于头部、腹部和心脏三类胎儿切面。实验结果表明，我们的方法可在不到一秒内完成一幅 FS 图像的质量评估，并且在检测与分类方面相较于当前最优方法取得了具有竞争力的性能。
引用
@article{arxiv.1912.05260,
title = {Automatic quality assessment for 2D fetal sonographic standard plane based on multi-task learning},
author = {Hong Luo and Han Liu and Kejun Li and Bo Zhang},
journal= {arXiv preprint arXiv:1912.05260},
year = {2019}
}
备注
14 pages, 10 figures, this paper is submitted to "Medical Image Analysis"