基于深度学习的自动化,用于在超声波图像中对妊娠囊的细分和生物识别测量
相关实验视频
Updated: May 12, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.3K
Hafiz Muhammad Danish1, Zobia Suhail1, Faiza Farooq2
1Department of Computer Science, University of the Punjab, Lahore, Pakistan.
Frontiers in pediatrics
|January 2, 2025
概括
这项研究引入了一个用于妊娠囊 (GS) 分段和妊娠年龄 (GA) 估计的自动化管道,提高了早期怀孕监测的准确性和效率.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 产科和妇科 产科和妇科
背景情况:
- 手动测量妊娠囊 (GS) 和平均囊径 (MSD) 对于早期怀孕评估至关重要,但耗时且主观.
- 准确估计妊娠年龄 (GA) 和预测自发流产依赖于精确的GS测量.
- 目前的手工方法是劳动密集型的,并且依赖于超声波专家的专业知识.
研究的目的:
- 开发一个自动化管道,用于准确的妊娠囊 (GS) 细分.
- 创建一个可靠的妊娠年龄 (GA) 估计的自动化系统.
- 通过提供一种高效和精确的工具来帮助超声波仪器,用于早期怀孕监测.
主要方法:
- 采用了一套新型数据集,包括500个怀孕早期的超声波扫描 (妊娠4-10周).
- 使用ResNet50编码器训练和评估了四个完全卷积神经网络 (UNet,UNet++,DeepLabV3,ResUNet).
- 采用5倍交叉验证方法来确定最佳细分模型,然后用于GA估计的自动化生物识别.
主要成果:
- 该ResUNet模型实现了卓越的性能,平均IOU为0.946,子为0.978,回忆为0.987,精度为0.958.
- 对于GA估计的自动化生物识别算法显示,与超声波估计相比,平均绝对误差 (MAE) 为0.07周.
- 开发的管道在GS细分和GA估计方面表现出高准确性.
结论:
- 拟议的自动化管道为GS细分和GA估计提供了精确可靠的替代手动测量方法.
- 这项技术有可能增强早期怀孕监测和诊断.
- 未来的工作可能涉及扩展管道以分割和测量其他胎儿结构.
