多对比度融合模块：用于胎儿躯干平面分类的注意力机制
计算机视觉与模式识别
2025-08-14 v1
摘要
目的：产前超声波是评估胎儿结构发育和检测异常的关键工具，有助于减少产后并发症并提高新生儿存活率。准确识别标准胎儿躯干平面对可靠的评估和个性化产前护理至关重要。然而，超声波成像中对比度低、纹理细节不清晰等局限性，为细粒度解剖识别带来了显著挑战。方法：我们提出一种新型的多对比度融合模块（MCFM），以增强模型从超声波图像中提取详细信息的能力。MCFM 仅作用于神经网络的底层，直接处理原始超声波数据。通过对不同对比度条件下的图像表示分配注意力权重，该模块在增强特征建模的同时，显式保持最小的参数开销。结果：在收录的胎儿躯干平面超声波图像数据集上对提出的 MCFM 进行评估。实验结果表明，MCFM 在显著提升识别性能方面作用显著，仅带来最小的模型复杂度增加。多对比度注意力的集成使模型能够更好地捕获细微解剖结构，从而实现更高的分类准确率和临床可靠性。结论：我们的方法为提高超声波成像中胎儿躯干平面识别提供了有效解决方案。通过多对比度融合增强特征表示，所提出的方法支持医生实现更准确、更一致的诊断，显示出强大的临床应用潜力。代码已公开于 https://github.com/sysll/MCFM。
引用
@article{arxiv.2508.09644,
title = {Multi-Contrast Fusion Module: An attention mechanism integrating multi-contrast features for fetal torso plane classification},
author = {Shengjun Zhu and Siyu Liu and Runqing Xiong and Liping Zheng and Duo Ma and Rongshang Chen and Jiaxin Cai},
journal= {arXiv preprint arXiv:2508.09644},
year = {2025}
}