基于 U-Net 分割网络的早产标志物估计
图像与视频处理
2019-08-27 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
早产是新生儿死亡的最常见原因。当前评估早产风险的方法涉及收集母体特征以及在妊娠第一和第二 trimester 进行的经阴道超声成像。超声数据分析基于妇科医生对图像的目视检查，有时辅以手工设计的图像特征如宫颈长度。由于该过程的复杂性及其主观成分，约 30% 的自发早产分娩未被正确预测。此外，10% 的预测早产分娩为假阳性。在本文中，我们解决使用机器学习预测自发早产的问题。为实现此目标，我们提议首先使用深度神经网络架构分割产前超声图像，然后从所得图像中自动提取两个生物物理超声标志物，宫颈长度（CL）和前宫颈角（ACA）。我们的方法允许在无人工监督下估计超声标志物。此外，我们表明 CL 和 ACA 标志物结合使用时，可将假阴性比从 30% 降至 18%。最后，与当前仅依赖妇科医生专业知识的诊断方法相反，我们的方法引入了客观获取的结果。
引用
@article{arxiv.1908.09148,
title = {Estimation of preterm birth markers with U-Net segmentation network},
author = {Tomasz Włodarczyk and Szymon Płotka and Tomasz Trzciński and Przemysław Rokita and Nicole Sochacki-Wójcicka and Michał Lipa and Jakub Wójcicki},
journal= {arXiv preprint arXiv:1908.09148},
year = {2019}
}
备注
Accepted at MICCAI Workshop on Perinatal, Preterm and Paediatric Image analysis (PIPPI) 2019