胎儿超声波细分和测量使用外观和形状之前基于密度回归与深度CNN和坚固的圆合适

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 精确的胎儿头部 (FH) 细分和生物识别,包括头部周长 (HC) 估计,对于使用超声波 (US) 图像识别异常胎儿生长至关重要.
• 挑战包括图像工件,不完整的圆配合,以及跨季度的FH尺寸变化,导致耗时和不准确的测量.

研究的目的:

• 提出一种自动密度回归方法 (DR-ASPnet),将外观和形状先验与深度学习相结合,以便从胎儿美国图像中进行强大的FH细分和HC估计.

主要方法:

• DR-ASPnet模型使用预处理和增强来增强图像和数据多样性.
• 有三个模型的层次密度回归深卷积神经网络 (HDR-DCNN) 识别了用于细分的FH位置.
• 用对比度增强和形态操作进行后处理,完善细分,然后进行强大的圆配合,用于HC估计.

主要成果:

• 在DR-ASPnet模型中,对细分精度而言,达到了98.86%的子相似系数 (DSC).
• 测量精度为1.67毫米绝对距离 (AD),超过了最先进的方法.
• 测量和预测的HC值得到0.99的相关系数 (CC).

结论:

• 拟议的DR-ASPnet模型在胎儿头部细分和超声波图像的HC估计方面表现出高准确性和稳定性.
• 这种自动化方法解决了手工测量的局限性,为改善产前护理和胎儿生长异常的诊断提供了潜在的可能性.