基于深度学习的胎儿超声孕龄扫描中临床协议遵循质量评估
人工智能
2022-01-19 v1 计算机视觉与模式识别
摘要
为在孕期评估胎儿健康，医生基于顶臀长(CRL)测量计算孕龄(GA)，以检查胎儿大小与生长轨迹。然而，基于 CRL 的 GA 估计需要在胎儿头顶与臀部的视图上正确放置卡尺，这并非总是一个容易找到的平面，尤其对经验不足的超声医师而言。找到偏离真实 CRL 视图的略微斜切平面可能导致不同的 CRL 值，从而错误估计 GA。本研究提出一种基于 AI 的 CRL 视图质量评估方法，通过验证用于确认所获取平面正确性的 7 项临床评分标准。我们展示了相较于专家，我们所提方案在多数评分标准上达到高准确度。我们还表明，若使用此类评分系统，有助于准确识别采集不佳的图像，从而可能帮助超声医师获取更好图像，进而潜在改善对如宫内生长受限(IUGR)等病症的评估。
引用
@article{arxiv.2201.06406,
title = {Deep Learning-based Quality Assessment of Clinical Protocol Adherence in Fetal Ultrasound Dating Scans},
author = {Sevim Cengiz and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2201.06406},
year = {2022}
}
备注
13 pages, 2 figures, 3 tables. Proceedings of Machine Learning Research, Under Review. Full Paper MIDL 2022 submission