OSAM-NET:一个多功能融合模型,用于测量胎儿在分娩期间的头部曲,使用变压器多头自我注意力
Shijie Zhang1, Shaozheng He1, Jingjing Wu2
1Department of Ultrasound, Artificial Intelligence Professional Group, Second Affiliated Hospital of Fujian Medical University, Quanzhou, Fujian Province, China.
概括
一个新的AI模型,OSAM-NET,使用超声波图像准确地测量胎儿头部曲,改善孕妇的分娩评估. 这种工具提高了分娩期间的准确性和适用性.
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:
- 在分娩期间对胎儿头部屈曲的评估至关重要,但在当前的超声波方法中技术上具有挑战性,特别是对于经验较少的操作人员.
- 准确的胎儿头部曲的产后评估对于预测分娩结果和确保胎儿福祉至关重要.
研究的目的:
- 开发和验证一个自动化的深度学习模型,后脊柱角测量网络 (OSAM-NET),用于精确的胎儿头部曲评估.
- 用人工智能驱动的超声波图像分析来提高胎儿头部曲评估的准确性和产后适用性.
主要方法:
- 利用YOLOv8进行解剖学里程碑提取 (头,脊柱) 和视觉变换器从后部中的胎儿超声图像中提取全球特征.
- 开发了OSAM-NET,这是一个多功能融合模型,包含多头自我注意机制,以结合几何和全球图像特征.
- 创建并使用了第一个腰脊柱角 (OSA) 数据集,其中包括1688张注释的超声波图像,用于模型训练和测试.
主要成果:
- 与比较模型相比,OSAM-NET表现优越,R2显著增加 (近13%) 和根平均平方误差 (RMSE) 减少 (约. 15%) 和平均绝对误差 (MAE) (大约. 20%). 这是一个很好的方法.
- 该模型实现了0.89的类内相关系数 (ICC) (8%的改善),表明与专家超声波测量有很强的一致性.
- 对前性测试数据集的验证证实了OSAM-NET在复杂的超声波图像分析中的实际应用潜力和可靠性.
结论:
- OSAM-NET提供了一种可靠和高效的AI驱动工具,用于自动化胎儿头部曲评估,解决了超声波评估当前的技术限制.
- 该模型的高准确性和与专家测量的强烈一致性表明,有很大的潜力改善产妇胎儿监测和管理.
- 这项研究提供了一种经过验证的深度学习方法,用于客观和可重现的胎儿头部曲评估,以帮助分娩期间的临床决策.
