切换至 "中华医学电子期刊资源库"

中华医学超声杂志(电子版) ›› 2022, Vol. 19 ›› Issue (07) : 649 -655. doi: 10.3877/cma.j.issn.1672-6448.2022.07.010

超声医学质量控制

在线产科超声图像智能质量控制系统的临床应用价值
谭莹1, 文华轩1, 彭桂艳1, 罗丹丹1, 温昕1, 江瑶1, 黄文兰1, 李胜利1,()   
  1. 1. 518028 广东深圳,南方医科大学第一临床医学院,深圳市妇幼保健院超声科
  • 收稿日期:2021-12-14 出版日期:2022-07-01
  • 通信作者: 李胜利
  • 基金资助:
    国家自然科学基金(81771598)

Clinical value of online artificial intelligent quality control system in assessing obstetric ultrasound images

Ying Tan1, Huaxuan Wen1, Guiyan Peng1, Dandan Luo1, Xin Wen1, Yao Jiang1, Wenlan Huang1, Shengli Li1,()   

  1. 1. Department of Ultrasound, Shenzhen Maternity & Child Healthcare Hospital, Southern Medical University, the First School of Clinical Medicine, Southern Medical University, Shenzhen 518028, China
  • Received:2021-12-14 Published:2022-07-01
  • Corresponding author: Shengli Li
引用本文:

谭莹, 文华轩, 彭桂艳, 罗丹丹, 温昕, 江瑶, 黄文兰, 李胜利. 在线产科超声图像智能质量控制系统的临床应用价值[J]. 中华医学超声杂志(电子版), 2022, 19(07): 649-655.

Ying Tan, Huaxuan Wen, Guiyan Peng, Dandan Luo, Xin Wen, Yao Jiang, Wenlan Huang, Shengli Li. Clinical value of online artificial intelligent quality control system in assessing obstetric ultrasound images[J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2022, 19(07): 649-655.

目的

探讨产科超声图像智能质量控制系统的临床应用价值。

方法

选取2021年1月1日至6月30日深圳市及重庆市137家医院998位医师的15 640个产科超声病例共374 191张图像,应用在线人工智能质量控制系统对图像进行质量评估。基于每张图像的智能质量控制结果,统计所有切面标准率、基本标准率及非标准率;统计申诉结果以观察系统检测的正确率;应用配对样本t检验比较智能质量控制与人工质量控制所耗费时间的差异,评估智能质量控制系统的工作效率。

结果

图像总体标准率为81.18%,基本标准率为12.06%,非标准率为6.76%;医师申诉图像285张(0.076%),经权威专家审核后,126张(44.21%)图像维持人工智能判断,159张(55.79%)图像经专家修改,系统检测正确率达99.96%(374 032/374 191)。智能质量控制每100张图像平均耗时(32.7±5.1)s,比2位医师人工质量控制耗时[(705.3±37.2)s、(724.6±40.4)s]明显降低,差异具有统计学意义(t=62.667、56.396,P均<0.001)。

结论

产科超声图像智能质量控制系统能客观、准确、高效地完成图像智能质量控制,对指导图像质量的提高有重大意义。

Objective

To assess the clinical value of online artificial intelligent quality control system in assessing obstetric ultrasound images.

Methods

A total of 374 191 images of 15 640 obstetric ultrasound cases from 998 doctors in 137 hospitals in Shenzhen and Chongqing were selected from January 1 to June 30, 2021, and the quality of the images was evaluated using online artificial intelligent quality control system. Based on each image quality assessment result, the proportion of different standard levels of all planes was calculated. The appeal results were also recorded to observe the accuracy of the system. To survey the efficiency of the system, paired sample t test was used to compare the time spent by intelligent quality control and manual quality control.

Results

The overall standard rate, substandard rate, and nonstandard rate were 81.18%, 12.06%, and 6.76%, respectively. A total of 285 appealed images (0.076%) were reviewed by authoritative experts, who confirmed the initial diagnosis in 126 images (44.21%), and did not support the initial diagnosis in 159 images (55.79%); the accuracy of the system reached 99.96% (374 032/374 191). The average time spent by intelligent quality control for 100 images was (32.7±5.1) s, significantly shorter than that spent by manual quality control by two ultrasound physicians [(705.3±37.2) s and (724.6±40.4) s, t=62.667 and 56.396, respectively, P<0.001].

Conclusion

The intelligent quality control system of obstetric ultrasound images allows the quality control to be performed objectively, accurately, and efficiently, which is of great significance to guide the improvement of image quality.

图1 “产科超声智慧云平台”超声图像检测结果页面显示原始图像(图a)、检测结果图像(图b)及质量控制结果(图c)。质量控制结果包括检测结构显示情况(不同结构以不同颜色的框在检测结果图像中显示)及质量控制总体评价(包括切面名称、切面质量、切面评分、结构评价及不足原因)
图2 产科超声图像各切面图像标准程度统计图
表1 产科超声图像各切面常见显示不足的原因列表
切面名称 常见显示不足的原因
胎儿颈项透明层切面 颈后皮肤透明层显示不清;鼻尖及鼻前皮肤显示不清;菱脑显示不清;出现侧脑室;出现锁骨;出现肋骨;间脑显示不清;鼻骨显示不清;上颌骨显示不清;下颌骨呈长条形;下颌骨显示不清
胎儿头臀长测量切面 生殖器显示不清;鼻尖及鼻前皮肤显示不清;菱脑显示不清;出现侧脑室;出现锁骨;出现肋骨;间脑显示不清;鼻骨显示不清;上颌骨显示不清;下颌骨呈长条形;下颌骨显示不清
颈胸段脊柱矢状切面 脊髓显示不清;椎体骨化中心显示不清
腰骶尾段脊柱矢状切面 脊髓和脊髓圆锥显示不清;脊柱末端显示不清;椎体骨化中心显示不清
三血管切面 右肺动脉显示不清;上腔静脉显示不清
中段脊柱矢状切面 脊髓显示不清;椎体骨化中心显示不清
尺桡骨冠状切面 尺骨显示不清;桡骨显示不清;尺骨近端骨骺显示不清;桡骨近端骨骺显示不清;尺骨远端骨骺显示不清;桡骨远端骨骺显示不清
鼻唇冠状切面 鼻子显示不清;下唇显示不清;上唇显示不清
丘脑水平横切面 出现小脑;一侧丘脑显示不清;透明隔腔显示不清;大脑外侧裂显示不清
全程脊柱矢状切面 脊髓显示不清;椎体骨化中心显示不清
宫颈内口矢状切面 宫颈内口显示不清;宫颈显示不清
膈肌冠状切面 膈肌显示不清;胃泡显示不清;心脏显示不清
右心室流出道切面 右心室显示欠清;主肺动脉显示不清;主动脉弓或升主动脉或左心室显示不清
颜面部正中矢状切面 下颌骨呈长条形;出现眼眶;下颌骨显示不清;鼻子显示不清;上唇显示不清;下唇显示不清
心底短轴切面 右肺动脉显示不清;右心房显示欠清;右心室显示欠清
双肾冠状切面 一侧肾显示不清;一侧肾盂显示不清;双侧肾盂显示不清
左侧膈肌矢状切面 膈肌显示不清;胃泡显示不清;心脏显示不清
上腹部水平横切面 出现肺;出现肾;脐静脉和门静脉显示不清;胃泡显示不清
双眼球水平横切面 一侧晶状体显示不清;双侧晶状体显示不清;一侧眼球显示不清
胫腓骨冠状切面 胫骨显示不清;腓骨显示不清;胫骨近端骨骺显示不清;腓骨近端骨骺显示不清;胫骨远端骨骺显示不清;腓骨远端骨骺显示不清
右侧膈肌矢状切面 膈肌显示不清;出现心脏
侧脑室水平横切面 出现小脑;一侧丘脑显示不清;透明隔腔显示不清;大脑外侧裂显示不清
小脑水平横切面 小脑实质显示不清;丘脑显示不清;透明隔腔显示不清;大脑外侧裂显示不清
三血管气管切面 气管显示不清;上腔静脉显示不清
左肾矢状切面 胃泡显示不清;肾盂显示不清
右肾矢状切面 肾盂显示不清
左右肺动脉分叉切面 左肺动脉显示不清;右肺动脉显示不清
双肾横切面 一侧肾盂显示不清;双侧肾盂显示不清;一侧肾显示不清
膀胱水平横切面彩色多普勒 双侧脐动脉显示不清;一侧脐动脉显示不清;膀胱显示不清
左心室流出道切面 左心室流出道及主动脉显示欠清;左心室显示欠清
肱骨长轴切面 肱骨显示不清;肱骨近端骨骺显示不清;肱骨远端骨骺显示不清;肱骨没有平行放置
四腔心切面 左心房显示不清;右心房显示不清;左心室显示不清;右心室显示不清,室间隔显示不清
脐带腹壁插入处横切面 脐带腹壁插入口显示不清;腹壁显示不清
股骨长轴切面 股骨显示不清;股骨近端骨骺显示不清;股骨远端骨骺显示不清;股骨没有平行放置
胆囊水平横切面 胆囊显示欠清
胎盘脐带插入口切面 脐带插入口显示不清
图3 总体标准率较低切面的智能质量控制结果图示。不同颜色实线框展示智能质量控制系统检测出切面内部需要显示的不同结构。图a为胎儿颈项透明层标准切面;图b为胎儿颈项透明层基本标准切面,不足之处在于出现侧脑室(粉红色框)、出现了锁骨(红色框)及下颌骨呈长条形(浅绿色框);图c为胎儿颈项透明层非标准切面,不足之处在于颈项透明层显示不清、出现侧脑室(粉红色框)及菱脑显示不清(紫红色框);图d为胎儿头臀长测量标准切面;图e为胎儿头臀长测量基本标准切面,不足之处在于鼻尖和鼻前皮肤显示不清、鼻骨显示不清及出现侧脑室(粉红色框);图f为胎儿头臀长测量非标准切面,不足之处在于鼻尖和鼻前皮肤显示不清、鼻骨显示不清、间脑显示不清、菱脑显示不清(紫红色框)及生殖器显示不清;图g为颈胸段脊柱矢状标准切面;图h为腰骶尾段脊柱矢状标准切面;图i为腰骶尾段脊柱矢状非标准切面,不足之处在于脊髓和脊髓圆锥显示不清
1
李胜利, 邓学东. 产前超声检查指南(2012) [J/CD]. 中华医学超声杂志(电子版), 2012, 9(7): 574-580
2
Salomon LJ, Alfirevic Z, Berghella V, et al. Practice guidelines for performance of the routine mid-trimester fetal ultrasound scan [J]. Ultrasound Obstet Gynecol, 2011, 37(1): 116-126.
3
Jaudi S, Granger B, Herpin CN, et al. Online audit and feedback improve fetal second-trimester four-chamber view images: a randomised controlled trial [J]. Prenat Diagn, 2013, 33(10): 959-964.
4
Ursem N, Peters I, Kraan-van der Est M, et al. An audit of second-trimester fetal anomaly scans based on a novel image-scoring method in the southwest region of the netherlands [J]. J Ultrasound Medicine, 2017, 36(6): 1171-1179.
5
Wu L, Cheng J, Li S, et al. FUIQA: Fetal ultrasound image quality assessment with deep convolutional networks [J]. IEEE Trans Cybern, 2017, 47(5): 1336-1349.
6
Lin Z, Li S, Dong N, et al. Multi-task learning for quality assessment of fetal head ultrasound images [J]. Med Image Anal, 2019, 58: 101548.
7
Dong J, Liu S, Liao Y, et al. A generic quality control framework for fetal ultrasound cardiac four-chamber planes [J]. IEEE J Biomed Health Inform, 2020, 24(4): 931-942.
8
Ciritsis A, Rossi C, Eberhard M, et al. Automatic classification of ultrasound breast lesions using a deep convolutional neural network mimicking human decision-making [J]. Eur Radiol, 2019, 29(10): 5458-5468.
9
Anas E, Mousavi P, Abolmaesumi P. A deep learning approach for real time prostate segmentation in freehand ultrasound guided biopsy [J]. Med Image Anal, 2018, 48: 107-116.
10
Yu Z, Tan E, Ni D, et al. A deep convolutional neural network-based frame work for automatic fetal facial standard plane recognition [J]. IEEE J Biomed Health Inform, 2018, 22(3): 874-885.
11
Kim B, Kim K, Park Y, et al. Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images [J]. Physiol Meas, 2018, 39(10): 105007.
12
Abdi A, Luong C, Tsang, T, et al. Automatic quality assessment of echocardiograms using convolutional neural networks: feasibility on the apical four-chamber view [J]. IEEE Trans Med Imaging, 2017, 36(6): 1221-1230.
13
Chaoui R, Benoit B, Mitkowska-Wozniak H, et al. Assessment of intracranial translucency (IT) in the detection of spina bifida at the 11-13-week scan [J]. Ultrasound Obstet Gynecol, 2009, 34(3): 249-252.
14
罗丹丹, 黄怡, 李胜利, 等. 胎儿脊髓圆锥位置新测距法及其在脊髓拴系中的应用 [J]. 中华超声影像学杂志, 2018, 27(3): 252-258.
15
Rodriguez M, Prats P, Munoz A, et al. Sonographic evaluation of the fetal conus medullaris [J]. Prenat Diagn, 2014, 34(11): 1111-1114.
16
Napolitano R, Donadono V, Ohuma E, et al. Scientific basis for standardization of fetal head measurements by ultrasound: a reproducibility study [J]. Ultrasound Obstet Gynecol, 2016, 48(1): 80-85.
[1] 张梅芳, 谭莹, 朱巧珍, 温昕, 袁鹰, 秦越, 郭洪波, 侯伶秀, 黄文兰, 彭桂艳, 李胜利. 早孕期胎儿头臀长正中矢状切面超声图像的人工智能质控研究[J]. 中华医学超声杂志(电子版), 2023, 20(09): 945-950.
[2] 陈舜, 薛恩生, 叶琴. PDCA在持续改进超声危急值管理制度中的价值[J]. 中华医学超声杂志(电子版), 2023, 20(09): 974-978.
[3] 武玺宁, 张培培, 齐振红, 张璟, 赵瑞娜, 孟华, 李建初. 腹膜后神经鞘瘤的超声诊断质量及其影响因素分析[J]. 中华医学超声杂志(电子版), 2023, 20(07): 701-704.
[4] 钟露, 曹省, 宋宏宁, 陈金玲, 周青. 超声心动图定量评估二尖瓣反流程度的质量控制[J]. 中华医学超声杂志(电子版), 2023, 20(07): 705-711.
[5] 吕衡, 董理聪, 谢海琴, 赵卓非, 刘俐, 孙德胜. 基于CT-超声对照的肝脏局灶性病变超声漏诊状况分析:一项单中心横断面质量控制调查报告[J]. 中华医学超声杂志(电子版), 2023, 20(07): 712-716.
[6] 张丽丽, 陈莉, 余美琴, 聂小艳, 王婧玲, 刘婷. PDCA循环法在超声浅表器官亚专科建设中的应用[J]. 中华医学超声杂志(电子版), 2023, 20(07): 717-721.
[7] 方晔, 谢晓红, 罗辉. 品管圈在提高前列腺癌穿刺检出率中的应用[J]. 中华医学超声杂志(电子版), 2023, 20(07): 722-727.
[8] 唐玮, 何融泉, 黄素宁. 深度学习在乳腺癌影像诊疗和预后预测中的应用[J]. 中华乳腺病杂志(电子版), 2023, 17(06): 323-328.
[9] 杨皓媛, 龚杰, 邹青伟, 阮航. 哮喘孕妇的母婴不良妊娠结局研究现状[J]. 中华妇幼临床医学杂志(电子版), 2023, 19(05): 522-529.
[10] 范帅华, 郭伟, 郭军. 基于机器学习的决策树算法在血流感染预后预测中应用现状及展望[J]. 中华实验和临床感染病杂志(电子版), 2023, 17(05): 289-293.
[11] 姚宏伟, 魏鹏宇, 高加勒, 张忠涛. 不断提高腹腔镜右半结肠癌D3根治术的规范化[J]. 中华普外科手术学杂志(电子版), 2024, 18(01): 1-4.
[12] 李晓阳, 刘柏隆, 周祥福. 大数据及人工智能对女性盆底功能障碍性疾病的诊断及风险预测[J]. 中华腔镜泌尿外科杂志(电子版), 2023, 17(06): 549-552.
[13] 邢晓伟, 刘雨辰, 赵冰, 王明刚. 基于术前腹部CT的卷积神经网络对腹壁切口疝术后复发预测价值[J]. 中华疝和腹壁外科杂志(电子版), 2023, 17(06): 677-681.
[14] 韩冰, 顾劲扬. 深度学习神经网络在肝癌诊疗中的研究及应用前景[J]. 中华肝脏外科手术学电子杂志, 2023, 12(05): 480-485.
[15] 雷漫诗, 邓锶锶, 汪昕蓉, 黄锦彬, 向青, 熊安妮, 孟占鳌. 人工智能辅助压缩感知技术在上腹部T2WI压脂序列中的应用[J]. 中华肝脏外科手术学电子杂志, 2023, 12(05): 551-556.
阅读次数
全文


摘要