FUSQA：胎儿超声分割质量评估

深度学习模型已有效用于多种胎儿超声分割任务。然而，向新未见数据的泛化能力引发了关于其临床采纳有效性的疑问。通常，向新未见数据的过渡需要耗时且昂贵的质量保证流程，以验证过渡后的分割性能。分割质量评估工作多聚焦于自然图像，其问题通常被表述为 Dice 分数回归任务。本文中，我们提出一种简化的胎儿超声分割质量评估（FUSQA）模型，以应对在无掩码可比较时的分割质量评估。我们将分割质量评估过程表述为自动分类任务，以区分良好与差质量的分割掩码，从而实现更准确的孕龄估计。我们在来自两家医院使用不同超声机器采集的两个数据集上验证了所提方法的性能。我们比较了不同架构，性能最佳的架构在区分未见数据集上良好与差质量分割掩码时达到超过 90% 的分类准确率。此外，医生报告的孕龄与基于良好分割掩码 CRL 测量估计的孕龄之间仅差 1.45 天。相反，当由差分割掩码计算 CRL 时，该差异增大并达到最多 7.73 天。因此，基于 AI 的方法有潜力辅助胎儿超声分割质量评估，并可能在未来实时筛查中检测差分割。