2D与3D人工智能增强超声波的比较研究,用于评估胎儿冠长度在头三个月内

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胎儿医学 胎儿医学

背景情况:

• 准确的胎儿生长评估对于监测胎儿健康至关重要.
• 冠长度 (CRL) 是估计妊娠年龄在第一季度的黄金标准.
• 目前用于CRL测量的方法可能耗时,需要专家解释.

研究的目的:

• 开发和评估基于人工智能的模型 (3DCRL-Net),用于使用3D超声波进行自动化的CRL平面定位和测量.
• 将3DCRL-Net的性能与使用二维和三维超声波技术的经验丰富的放射科医生进行比较.

主要方法:

• 一项前性研究涉及1,326个胎儿超声波查 (怀孕11-14周).
• 开发基于3D U-Net的3DCRL-Net模型,用于自动检测地标,平面定位和CRL测量.
• 3DCRL-Net性能与经验丰富的放射科医生 (2D-RAD,3D-RAD) 在内部和外部数据集上的2D和3D超声波测量进行比较.

主要成果:

• 3DCRL-Net在地标检测 (MAE:1.81毫米) 和标准平面定位 (91.27%内部,91.43%外部) 中表现出高精度.
• 人工智能模型在CRL测量中显示出很强的一致性,与放射科医生的评估相当 (MAE:内部1.26毫米,2D-RAD外部为1.58毫米).
• 与放射科医生相比,3DCRL-Net显著减少了测量时间 (2.02s内部,5s外部) (2分钟3D-RAD,35秒2D-RAD).

结论:

• 3DCRL-Net模型为3D超声波中CRL测量提供了一个快速,准确和完全自动化的解决方案.
• 人工智能模型实现了专家级别的性能,提高了第一季度胎儿生长评估的效率和可靠性.
• 这种人工智能驱动的方法有可能显著改善产前护理和监测.