混合状态空间和视觉变压器框架用于胎儿超声波平面分类在产前诊断
Sara Tehsin1, Hend Alshaya2, Wided Bouchelligua2
1Faculty of Informatics, Kaunas University of Technology, 51368 Kaunas, Lithuania.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种混合深度学习框架,将状态空间模型和视觉变压器结合起来,用于准确的胎儿超声波平面分类. 这种新的方法提高了产前成像诊断的可靠性.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 深度学习用于医疗应用.
背景情况:
- 准确的胎儿超声波平面分类对于产前诊断,生物识别测量和异常检测至关重要.
- 传统的深度学习模型 (CNN,变压器) 难以应对域变性,噪音,类不平衡以及超声数据的校准差.
- 现有的方法往往缺乏有效整合顺序动态和全球上下文信息的能力.
研究的目的:
- 提出混合状态空间和视觉变压器框架,以提高胎儿超声波平面分类和生物识别估计.
- 解决传统深度学习模型在处理超声数据变化和校准方面的局限性.
- 整合顺序动态和全球上下文推理,以提高诊断准确性和可靠性.
主要方法:
- 一个五阶段的框架,包括超声波协调预处理,混合特征编码 (状态空间模型+视觉变压器),多任务学习与解剖规范化,封闭决策融合和校准策略.
- 使用强度规范化,异型扩散过和亲缘对齐用于预处理.
- 采用温度缩放和调整来进行可靠的信心估计.
主要成果:
- 混合框架在多个数据集 (FETAL_PLANES_DB,HC18,胎儿头) 中显著超过了基线CNN,仅SSM和仅ViT的模型.
- 获得了高精度 (95.8%在FETAL_PLANES_DB上, 94.1%在胎儿头上) 和宏观F1得分 (分别为94.9%,92.8%),具有优异的校准指标 (ECE 1.5%).
- 在交叉数据集评估和优异的Dice得分 (95.7%),IoU (91.7%) 和低MAE (2.30毫米) 中表现强.
结论:
- 拟议的混合框架有效地结合了状态空间动态和基于变压器的全球推理,用于准确和校准的胎儿超声波分析.
- 该模型显示了在产前查和诊断系统中实时部署的巨大潜力.
- 结果强调了整合顺序和全球信息的重要性,以进行强大的医疗图像分析.
