从胎儿超声异常扫描统一估计生物参数的多任务学习方法
图像与视频处理
2023-11-17 v1 计算机视觉与模式识别
摘要
从超声图像精确估计胎儿生物测量参数对于可靠评估胎儿生长、监测健康和识别潜在并发症至关重要。然而，从超声图像中自动计算机分割胎儿头、腹和股骨，并随后测量胎儿生物数据，仍然具有挑战性。在本工作中，我们提出一种多任务学习方法，以将区域分类为头、腹和股骨，并估计相关参数。我们能够在胎儿超声图像数据集上取得头部周长 1.08 mm、腹部周长 1.44 mm 和股骨长度 1.10 mm 的平均绝对误差（MAE），以及 99.91\% 的分类准确率。为此，我们利用加权联合分类与分割损失函数训练带有附加分类头的 U-Net 架构。代码可通过 \href{https://github.com/BioMedIA-MBZUAI/Multi-Task-Learning-Approach-for-Unified-Biometric-Estimation-from-Fetal-Ultrasound-Anomaly-Scans.git}{\texttt{Github}} 获取。
引用
@article{arxiv.2311.09607,
title = {Multi-Task Learning Approach for Unified Biometric Estimation from Fetal Ultrasound Anomaly Scans},
author = {Mohammad Areeb Qazi and Mohammed Talha Alam and Ibrahim Almakky and Werner Gerhard Diehl and Leanne Bricker and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2311.09607},
year = {2023}
}
备注
10 Pages, 4 Figures, The 4th International Conference on Medical Imaging and Computer-Aided Diagnosis