FetalNet：用于胎儿超声生物测量的多任务深度学习框架
图像与视频处理
2022-05-04 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
本文提出一种称为 FetalNet 的端到端多任务神经网络，其带有注意力机制与堆叠模块，用于时空胎儿超声扫描视频分析。胎儿生物测量是孕期标准检查，用于胎儿生长监测及孕龄和胎儿体重估算。胎儿超声扫描视频分析的主要目标是找到合适标准平面以测量胎头、腹部和股骨。由于超声数据中固有的高散斑噪声和阴影，需要医学专业知识和超声经验以找到适当采集平面并进行准确胎儿测量。此外，现有胎儿超声生物测量的计算机辅助方法仅处理单图像帧而未考虑时间特征。为克服这些不足，我们提出一种用于时空超声扫描视频分析的端到端多任务神经网络，以同时定位、分类和测量胎儿身体部位。我们提出一种融合分类分支的新编码器-解码器分割架构。此外，我们采用带堆叠模块的注意力机制学习显著图以抑制无关超声区域并实现高效扫描平面定位。我们在来自 700 名不同患者常规检查的胎儿超声视频上训练。我们的方法 FetalNet 在胎儿超声视频记录的分类和分割上均优于现有最先进方法。
引用
@article{arxiv.2107.06943,
title = {FetalNet: Multi-task Deep Learning Framework for Fetal Ultrasound Biometric Measurements},
author = {Szymon Płotka and Tomasz Włodarczyk and Adam Klasa and Michał Lipa and Arkadiusz Sitek and Tomasz Trzciński},
journal= {arXiv preprint arXiv:2107.06943},
year = {2022}
}
备注
Accepted to 28th International Conference on Neural Information Processing (ICONIP) 2021, Bali, Indonesia, 8-12 December, 2021