基于人工智能的三维超声自动断层成像提取11~13^(+6)周正常胎儿腭骨关键切面的初步研究

目的探讨基于人工智能的11~13^(+6)周胎儿三维超声腭骨自动断层成像提取关键切面方法的可行性。方法选取于2020年5月至2021年4月于深圳市罗湖区人民医院超声科与华中科技大学协和深圳医院超声科进行孕11~13^(+6)周产前超声检查的胎儿容积数据235例,由超声医师A和B进行三维容积数据采集。所有数据由超声医师C进行离线标注。超声医师D对所有纳入数据进行断层成像操作,保存断层图像并记录耗时,获得医师组数据。标注后数据随机分为训练集与测试集进行模型迁移学习与测试,采取4-折交叉验证,记录模型输出的测试集图像及耗时,获得智能组数据。由1名高年资超声医师对两组数据图像进行图像分析。通过比较医师组与智能组所得鼻后三角切面(RTP)评分、RTP获取率、断层获取率、耗时差异,验证智能模型的可行性。结果①医师组与智能组RTP评分总体分布差异无统计学意义[5(5,6)分比5(5,6)分,Z=0.355,P=0.722],RTP获取率差异无统计学意义(78.72%比76.60%,χ^(2)=0.55,P=0.458)。两组获取RTP的一致性、相关性较高(Kappa=0.645,φ=0.646,均P<0.001)。②医师组有效层数为9(8,9)层,智能组为8(7,9)层,医师组断层获取率大于智能组(78.72%比68.51%,χ^(2)=12.52,P=0.001)。两组在获取断层的一致性与相关性中等(Kappa=0.503,φ=0.521,均P<0.001)。③智能组耗时明显短于医师组[1.50(1.23,1.75)s比26.94(22.28,30.48)s,Z=11.440,P<0.001]。结论本研究模型能快速准确地实现11~13^(+6)周胎儿腭骨关键切面提取与断层成像。

基于Fisher向量和混合描述符的胎盘成熟度分级

胎盘成熟度分级(PMG)对于评估胎儿生长和孕妇健康来说至关重要。目前,PMG主要依赖于临床医生的主观判断,不仅十分耗时,而且由于工作的重复性和冗余性,常会产生误判。传统机器学习中使用的手工特征提取方法,不能很好解决PMG的分级问题,因此提出从B超图像和彩色多普勒能量图像中提取深度混合描述符进行胎盘成熟度自动分级的方法。从深度卷积神经网络中提取卷积特征,并将其与手工特征结合形成混合描述符来提高模型性能。首先,将多个特征层的不同模型进行融合,从图像中获取混合描述符。同时,考虑到深度表达特征,使用迁移学习策略来增强分级性能。然后,用Fisher向量(FV)对提取的描述符进行编码。最后,使用支持向量机(SVM)分类器对胎盘成熟度进行分级。用医生标注好的数据进行测试,在基于19层网络的混合特征模型获得高达94.15%的精确度,比单一使用手工特征模型提升3.01%,比CNN特征模型提升7.35%。实验结果证明,所提方法能够有效应用于胎盘成熟度自动分级。