具有图先验与 IoU 均衡损失的区域提议网络用于三维超声中的标志点检测

三维超声（US）可促进用于胎儿生长监测的详细产前检查。要分析三维 US 体积，准确识别被评估器官的解剖标志点是基础。典型的深度学习方法通常直接回归坐标或涉及热图匹配。然而，这些方法难以处理具有大尺寸以及胎儿位置和方向高度变化的体积。在这项工作中，我们利用目标检测框架来检测三维胎儿面部 US 体积中的标志点。通过以严格标准回归以标志点为中心的边界框（B-box）的多个参数，所提模型能够精确定位目标标志点的确切位置。具体而言，该模型使用三维区域提议网络（RPN）生成三维候选区域，随后通过若干三维分类分支选择最佳候选。它还采用 IoU-balance loss 来改善分支间的通信，有利于学习过程。此外，它利用基于距离的图先验来正则化训练，并有助于减少假阳性预测。所提框架的性能在一个三维 US 数据集上评估，用于检测五个关键胎儿面部标志点。结果表明，所提方法在效果和效率上优于一些最先进的方法。