FBStrNet: Detección automática de la estructura cerebral fetal en imágenes de ultrasonido de embarazo temprano

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Obstetricia y parto

Sus antecedentes:

• Las imágenes de ultrasonido son cruciales para detectar anomalías cerebrales fetales durante el embarazo temprano.
• La precisión del diagnóstico a menudo está limitada por la experiencia del ecógrafo y los factores ambientales.
• Se necesitan métodos avanzados para mejorar la eficiencia y la fiabilidad de la detección de anomalías fetales.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo enfoque basado en IA para la detección automatizada de estructuras anatómicas clave del cerebro fetal.
• Para mejorar la precisión y la eficiencia de la detección de anomalías cerebrales fetales utilizando el aprendizaje profundo.

Principales métodos:

• Propuso una red de detección de estructuras cerebrales fetales (FBStrNet) basada en el modelo YOLOv5.
• Incorporó un backbone ligero, una función de pérdida modificada y un encabezado de detección desacoplado.
• Conocimientos clínicos previos integrados para reducir las tasas de detección falsa.

Principales resultados:

• FBStrNet logró un rendimiento superior en comparación con los métodos de última generación existentes.
• La detección en tiempo real de las estructuras cerebrales fetales se logró con un tiempo de inferencia de 11,5 ms.
• El método demostró una mejor precisión diagnóstica y flujos de trabajo clínicos simplificados.

Conclusiones:

• FBStrNet ofrece una herramienta eficiente y confiable para la detección de anomalías cerebrales fetales.
• El modelo de IA ayuda a los ecógrafos a visualizar las características anatómicas críticas, mejorando la precisión del diagnóstico.
• Este enfoque tiene el potencial de mejorar significativamente la atención prenatal y los resultados.