知识蒸馏算法训练在胎儿心脏超声图像三血管气管切面精细化分割中的应用

目的探索基于知识蒸馏算法训练构建的胎儿心脏超声图像分割网络模型在胎儿心脏超声图像三血管气管切面精细化分割中的应用价值。方法回顾性收集2016年1月至2021年12月在浙江大学医学院附属邵逸夫医院接受胎儿心脏超声检查的正常中晚孕期胎儿1300例,分析胎儿心脏超声三血管气管切面二维灰阶超声图像,将其分为训练集、验证集和测试集。应用训练集与验证集构建辅助诊断网络模型,再用测试集对不同网络模型(U-Net、DeepLabv3+)进行测试,由一名有经验的医生收集并注释三血管气管切面作为参考标准。以交并比(IoU)、像素精度(PA)和骰子系数(Dice)为3个定量评估分割精度指标,评估该知识蒸馏算法训练模型的诊断效能。并对本模型及最常用的分割模型进行识别,对结果进行比较。随机选取101张图像,分别交由低年资医生、AI及低年资医生辅助AI判读,绘制Bland-Altman图像评价其分别与参考标准的一致性,并对三者结果进行比较。结果知识蒸馏算法训练模型在所有评价指标上均取得了比U-Net、DeepLabv3+模型更好的结果,平均IoU、PA、Dice分别为68.6%、81.4%、81.3%。与U-Net及DeepLabv3+模型相比,本模型获得了更精确的分割边界,并且在定量评价指标上均有提高。经过该模型辅助,低年资医生对于诊断的精确度有所提高。结论知识蒸馏算法训练模型分割方法可在胎儿心脏超声图像的三血管气管切面识别胎儿心脏的解剖结构,其识别结果明显优于相关方法,并可提高低年资医生对于其图像识别的准确度。