基于实时反馈的超声胎儿头围可信测量用于超声医师

从超声（US）中手动估算胎儿头围（HC）是监测胎儿健康发育的关键生物指标。遗憾的是，此类测量存在较大的观察者间差异，导致胎儿异常的早期检出率较低。为解决该问题，我们提出了一种用于实时自动估算胎儿头围的新型概率深度学习（Deep Learning）方法。该系统向用户反馈测量稳健性的统计信息，以告知深度神经网络在自由手超声检查时获取合适切面时的置信度。在实时场景中，该方法可用于引导操作者扫描尽可能接近训练图像底层分布的平面，以改善操作者间一致性。我们在来自超过2000名受试者的自由手超声数据上训练（2848训练/540测试），结果表明我们的方法能够以1.81$\pm$1.65mm偏离真值的偏差预测HC测量值，50%的测试图像完全包含于预测的置信边界内，其余未完全包含的图像与边界的平均偏差为1.82$\pm$1.78mm。