使用深度学习进行胎儿生物识别和羊水体积评估的端到端自动化
Saad Slimani1,2, Salaheddine Hounka3, Abdelhak Mahmoudi4,5
1Deepecho, 10106, Rabat, Morocco. saad.slimani@deepecho.io.
Nature communications
|November 4, 2023
概括
深度学习模型自动化胎儿生物识别和羊水体积测量,比人类专家更准确. 这项技术提高了胎儿超声波的可访问性,特别是在资源有限的环境中.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 产科 产科 产科 产科 产科
背景情况:
- 胎儿生物测量和羊水体积评估在产前护理中至关重要,但可能是主观和耗时的.
- 深度学习为自动化胎儿超声波测量提供了潜力,但许多研究缺乏多样化的数据集和前性验证.
- 现有的方法可能会产生不可靠的结果,影响检测临界胎儿状况.
研究的目的:
- 开发和前性评估用于自动化胎儿生物识别和羊水体积测量的深度学习模型.
- 评估这些模型在真实世界的临床环境中与人类从业者的性能.
- 提高胎儿超声波查的效率和可访问性.
主要方法:
- 开发了在摩洛哥胎儿超声波图像 (172,293张图像) 和公共数据集的大数据集上训练的深度学习模型.
- 前性地测试了摩洛哥四个医疗保健中心172名孕妇的视频剪辑上的模型.
- 将模型性能与专家超声波测量器测量结果进行比较.
主要成果:
- 深度学习模型实现了胎儿生物识别和羊水体积的自动端到端测量.
- 模型与实践者之间达成一致的95%极限比报告的观察者内部和观察者间的变化更为狭窄.
- 在自动化胎儿超声波任务中证明了人类水平的性能.
结论:
- 开发的深度学习模型显示出临床部署的潜力,减少胎儿超声波中的重复任务.
- 自动测量可以提高胎儿评估的一致性和效率.
- 这项技术可以提高胎儿超声波的可访问性,特别是在服务不足的地区.
