利用全卷积神经网络在胎儿超声自动头部生物测量上达到人类水平表现
计算机视觉与模式识别
2018-04-25 v1
摘要
从胎儿超声图像测量头部生物指标对监测胎儿健康发育至关重要。然而，相关解剖结构的准确测量在临床中存在很大的观察者间差异。为解决该问题，提出一种利用全卷积网络（Fully Convolutional Networks, FCN）的自动化方法，以确定胎儿头围（HC）和双顶径（BPD）的测量值。一个 FCN 在约 2000 张头部 2D 超声图像上训练，这些图像的标注由 45 名不同超声医师在常规筛查检查中提供，用以执行头部的语义分割。将椭圆拟合到所得分割轮廓，以模拟超声医师通常给出的标注。将该模型表现与观察者间差异比较，其中两名专家手动标注了 100 张测试图像。HC 的模型-专家平均绝对误差略优于观察者间误差（1.99mm 对 2.16mm），BPD 相近（0.61mm 对 0.59mm），Dice 系数也一致（0.980 对 0.980）。我们的结果表明，该模型表现水平与人类专家相似，并从由众多超声医师标注的大数据集中学习到准确的预测。此外，测量在 GPU 上以 15fps 近实时生成，可加快熟练与受训超声医师的临床工作流。
引用
@article{arxiv.1804.09102,
title = {Human-level Performance On Automatic Head Biometrics In Fetal Ultrasound Using Fully Convolutional Neural Networks},
author = {Matthew Sinclair and Christian F. Baumgartner and Jacqueline Matthew and Wenjia Bai and Juan Cerrolaza Martinez and Yuanwei Li and Sandra Smith and Caroline L. Knight and Bernhard Kainz and Jo Hajnal and Andrew P. King and Daniel Rueckert},
journal= {arXiv preprint arXiv:1804.09102},
year = {2018}
}
备注
EMBC 2018