人工智能在产前超声中的应用和研究进展

石智红; 李胜利

doi:10.3877/cma.j.issn.1672-6448.2023.01.019

中华医学超声杂志（电子版） >

2023 , Vol. 20 >Issue 01: 113 - 117

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2023.01.019

综述

人工智能在产前超声中的应用和研究进展

石智红 ¹ ,
李胜利 ^,²^,^†

展开

^1.250000　济南市妇幼保健院超声科
^2.518028　南方医科大学附属深圳妇幼保健院超声科

通信作者：李胜利，Email：lishengli63@126.com

Copy editor: 吴春凤

收稿日期: 2022-07-01

网络出版日期: 2023-04-10

基金资助

深圳市科技计划项目(JCYJ20210324130812035)

版权

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计，除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。本刊为电子期刊，以网刊形式出版。

收起

Progress application and research of artificial intelligence in prenatal ultrasound

Zhihong Shi ¹ ,
Shengli Li ^,²

Expand

Received date: 2022-07-01

Online published: 2023-04-10

Copyright

No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission.

All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.

Fold

本文引用格式

石智红 , 李胜利 . 人工智能在产前超声中的应用和研究进展[J]. 中华医学超声杂志（电子版）, 2023 , 20(01) : 113 -117 . DOI: 10.3877/cma.j.issn.1672-6448.2023.01.019

超声因价廉、方便、实时及无放射性等优点，是产前保健首选的影像学检查方法^［1］。不仅可以评估胎儿的生长发育，还可以筛查和诊断胎儿结构异常。产前超声医师资源不足、分布不均及水平参差不齐是产前超声的现状。此外，产前超声检查高度依赖操作者经验，结果主观性强。观察者内和观察者间亦存在一定的差异，因此，产前超声诊断的同质性差。产前超声属于劳动密集型工种，需要反复扫查－冻结－回放－测量－解冻等流程，这种不断反复的过程是产前超声检查耗时长的主要因素，也是造成医师的劳力性损伤的原因。如何有效提高产前超声的工作效率和诊断质量是值得深思的问题。

人工智能（artificial intelligence，AI）作为第四次科技革命的核心，主要包括：机器学习、深度学习和卷积神经网络（convolutional neural networks，CNN）。深度学习是计算机技术的核心基础，在图像识别和原始数据处理方面具有强大的能力，使其成为图像分析的潜在工具。其中CNN发展最为迅速，目前在医学影像领域应用最为广泛，也是目前图像分析最成功的模型^［2］。AI与医学影像完美结合展现出了其在图像分析方面的巨大潜能。AI对图像分析的任务有：图像识别、目标检测、语义分割和实力分割等。

产期超声检查过程包括：切面获取、参数测量、结构识别和诊断等，最终把测量数据填写入报告并出具超声诊断报告，以及报告与图像的质量控制。这一系列流程也是实现全自动化诊断依托的基础。目前AI在产前超声的研究主要有以下几方面：自动识别超声切面、自动测量生长参数、检测解剖结构、诊断胎儿疾病以及超声图像质量控制等。由于早孕期和中晚孕期胎儿发育属于2个不同的阶段，超声检查目的和图像表现亦不相同，因此本文将从早孕期和中晚孕期AI的产前超声研究以及超声图像的AI质量控制进行论述。

一、AI在早孕期超声中的应用和研究

妊娠囊、胚胎、羊水及胎盘是早孕期超声观察的主要结构。准确测量妊娠囊和胚胎头臀长对估测孕周和评估胎儿生长发育具有重要作用。AI在早孕期的应用主要有切面识别、生物学参数测量和特殊结构如颈项透明层（nuchal translucency，NT）的分割与测量。

Zhang等^［3］首次提出一种自动扫查方案，即在二维超声扫查过程中自动识别妊娠囊切面并对妊娠囊进行自动测量，称为“智能扫查”。通过定量和定性分析显示该系统具有较好的稳定性、有效性和准确性，可用于早期妊娠囊的临床检查。近年来，Ryou等^［4］以三维容积为研究基础，研究胎儿整体的语义分割、标准切面方向定位、胎儿标准切面识别（头围、腹围及四肢）并进行评估，结果表明该自动化方案接近人类专家对三维容积的评估，但对四肢的检出率较低，其定性分析结果相对较差。

二维超声仅在单一切面评估胎儿生长发育，这种方法具有一定的局限性，因此有学者提出，使用三维容积估算胚胎体积来评估胚胎生长发育。但是手工勾勒是耗时且枯燥的工作。AI可以快速识别并准确分割三维容积中胎儿结构及附属物。Smeets等^［5］以12周胎儿为研究对象，基于像素提取和兴趣点检测的三维容积半自动检测方法，识别胚胎轮廓并计算体积，结果表明胚胎体积和头臀长之间存在良好的相关性，但是上述方法处理形状不规则的物体效果较差。针对上述问题，Yang等^［6］提出全自动语义分割解决方案，通过迁移学习和深度监督增强的三维CNN，解决了图像质量、规模和形态变化的挑战，实现了三维容积中胎儿、孕囊和胎盘等多个结构同时全自动分割，并取得了较好的定量和定性结果。

NT为胎儿颈部后方液体聚集的区域，是筛查唐氏综合征等染色体异常较为敏感的指标。NT的厚度在正中矢状切面上由医师手动测量，测量值具有较强的主观性，缺乏经验的医师可能会低估或高估NT的厚度，从而导致错误评估胎儿染色体异常的风险。Bernardino等^［7］首次尝试用NUCA软件通过手动放置感兴趣区对NT厚度进行半自动化的测量。Lee等^［8］通过增强NT边界和降低噪声的预处理方法，提高了AI的测量效能。后来，一些学者尝试在标准的正中矢状切面上自动识别NT轮廓并测量NT厚度，进一步验证了NT智能测量的可行性^{［9, 10］}。这些研究均需要人工获取正中矢状切面，针对这一问题，Anzalone等^［11］第1次提出了全自动化的NT测量系统，首先在动态视频中自动识别姿势最佳的正中矢状切面，然后自动提取NT的感兴趣区，最后检测NT边界并测量NT，为实现NT的全自动测量奠定了基础。Sciortino等^［12］用小波分析和神经网络分类器成功从超声动态视频中检测正中矢状切面，自动定位NT区域并测量NT值，其结果与专家的检查结果具有高度一致性。该研究团队又提出更精确的方法，进一步提高了NT全自动测量的性能^［13］。Nie等^{［14, 15］}提出了一种基于三维容积的正中矢状切面自动识别，并对NT的参数（厚度、面积和体积）自动测量，研究表明三维标记对NT的量化具有更大的潜力，并可能为疾病诊断提供更多信息。

二、AI在中晚孕期超声中的应用和研究

中晚孕期是评价胎儿结构异常和评估生长发育的重要阶段。获取标准超声切面并进行准确测量对评估胎儿至关重要。AI在中晚孕期产前超声的应用主要有以下几方面：标准切面的识别、参数自动测量和辅助诊断。

（一）标准切面的识别

超声标准切面是被专业组织推荐的，可以清晰显示关键解剖结构和用于生长参数测量的超声切面^［16］。标准的超声切面是准确测量参数和评估胎儿解剖结构的基础。一项关于胎儿先天性心脏病筛查漏诊原因分析的研究显示，大部分病例中，要么是没有正确获取超声标准切面，要么是操作者没有意识到超声切面中的结构异常^［17］。标准切面的获取依赖于操作者的经验和解剖知识储备，并需要耗费较多的时间，对新手非常具有挑战性。AI在某些医学影像分析方面的能力达到了人类专家的水平^［18］。因此，开发超声标准切面的自动识别，不仅可以指导年轻医师工作，还可以帮助专家提高工作效率，是目前临床高度需求的。

Chen等^［19］首先使用经典的CNN框架，用于检测胎儿腹部标准切面，其精确度为71.4%，这仅是针对单一标准切面的研究。同年，该团队提出一种复合的通用框架，将研究任务扩展到在动态视频中自动提取3个标准切面（即双眼横切面、上腹部横切面和心脏四腔心切面），这一框架的成功提出为后续扩增到更多切面检测奠定了基础^［20］。该团队同时利用不同的模型研究了胎儿面部标准切面的自动识别，即鼻唇冠状切面、正中矢状切面和双眼球横切面，识别效能为96.99%^{［21, 22］}。随着更深层次CNN的开发，越来越多可同时检测多个标准切面的通用模型逐渐出现^{［23, 24］}。Baumgartner等^［25］研究的新方法可以在超声动态视频中自动检测13个标准切面，F1平均得分为0.798。笔者所在团队与开立医疗公司合作研发的“凤眼S-Fetus”新技术，可在扫查过程中全自动精确识别14个标准切面。真正实现了精确识别的动态智能扫查，简化了产前超声检查流程。

以上均是以二维超声为基础进行的研究。与此同时，一些学者还研究了如何从三维容积中自动获取超声标准切面。迈瑞超声仪器的Smartplanes^®软件可以在三维容积数据中自动识别胎儿颅脑4个标准切面。三星公司的5D CNS和5D Heart技术可以在高清的颅脑容积和心脏容积中，分别自动获取9个颅脑切面和9个心脏切面。运用这些AI技术，可以不依赖操作者手法，就可获取标准切面，提高了工作效率。

（二）生长参数自动测量

胎儿生长参数是产前保健的基础参考指标，可以用来估测胎龄和评价生长发育。这一过程常需要超声医师在标准切面上手动进行测量，这是乏味、易出错且耗时的过程。近年来，基于AI的量化工具已被广泛应用于临床，其与超声切面自动识别工具相结合，可以实现更快、更准确地诊断。

目前大多数超声仪器配置了半自动测量软件，在人工获取标准切面后对胎儿常用生长参数（双顶径、腹围、头围和股骨长）进行自动测量，其测量的准确性参差不齐，还没有被临床广泛使用。由于产前超声图像具有信噪比低、各种伪影及不同孕周同一超声切面解剖结构差异大等特点，胎儿生物参数的自动测量仍面临许多挑战。近年来基于深度学习算法的研究如下，Sinclair等^［26］提出利用全卷积神经网络（fully convolutional networks，FCN）的全自动方法测量胎儿头围和双顶径，经验证该模型的性能与专家水平相似。Zeng等^［27］用DAG V-Net算法自动测量胎儿头围，该算法结合了注意力和深度监督机制，与传统的U-Net和V-Net相比，获得了更好的分割性能。关于胎儿腹围的测量，Kim等^［28］提出的新的CNN和U-Net算法明显优于机器搭载的半自动测量软件，并且具有较高的稳定性。Luo等^［29］应用开立超声仪器的一键式技术SF（smart-fetus）在自动获取3个测量生物参数标准切面基础上进行4个生物参数的自动测量，结果表明它可以广泛应用于中期和晚期妊娠（14~40周），并且所得测量结果具有较高的精准度。除基础生物参数外，AI还可以测量一些小的结构，如颅内的侧脑室、小脑和颅后窝池等^{［30, 31］}，以及羊水深度等^［32］。

开立的“凤眼S-Fetus”可以在超声扫查过程中实时完成12个生长参数的自动测量及脊髓圆锥自动定位。三星Biometry Assist^TM AI检查可以自动测量胎儿双顶径、头围、腹围、股骨长、肱骨长等生长参数。这种AI技术在临床工作中的应用，可以显著提高了前超声检查效率。

除此之外，很多学者试图在三维容积中分割解剖结构并进行体积测量，笔者所在团队首次提出应用三维超声对整个胎儿头部进行分割研究，并且分割性能较好，针对以体积为基础的产前研究，该方案是可行的^［33］。三维容积的测量可延伸到其他的器官和结构，可为评价胎儿提供更全面的信息。

（三）AI辅助诊断

AI在医学领域研究的最终目标就是辅助诊断和治疗。胎儿异常的产前超声诊断是一个困难且主观的过程，特别是在早期。AI辅助诊断可以提供量化且客观的依据。然而，异常病例的深度学习本身就是一项复杂的研究，需要足够的图像数据，目前的研究相对较少。

1. 颅脑：关于胎儿颅脑的AI辅助诊断研究较少，Sahli等^［34］提出了一种基于形态学特征的计算机诊断方法和一种监督分类方法，利用头部的智能测量来自动诊断小头畸形和长头畸形。这种方法可以快速、准确地发现和诊断胎儿异常，但是它只是评估了胎儿头颅的大小和形状，并没有评估颅内结构。Burgos-Artizzu等^［35］提出一种新的方法（简称quantus GA）在丘脑水平横切面估测胎儿孕周。该方法结合了纹理信息和以毫米为单位的图像像素分辨率，可以检测到人眼无法识别的与评估孕周相关的一些变化，这些变化可能与大脑生长和成熟有关，该方法为未来胎儿脑发育异常的智能诊断提供了另一种思路。

2. 心脏：先天性心脏病（congenital heart disease，CHD）是最常见的胎儿结构异常。胎儿心脏体积较小、结构复杂和胎心率快等特点，使产前超声诊断胎儿心脏异常成为一项非常具有挑战性的工作。需要经验丰富的专家对其进行检查，产前超声对胎儿心脏结构异常诊断的敏感度较低。目前，AI在胎儿心脏超声切面识别、疾病诊断以及心脏智能导航系统的建立等方面都有应用。AI对心腔的准确识别和分割，有助于检测CHD，如左心发育不全综合征、心内膜垫缺损、较大的房/室间隔缺损等。胎儿智能导航超声心动图（fetal intelligent navigation echocardiography，FINE）是近年来发展的一种新技术，可自动生成正常心脏的9个标准切面^［36］。FINE还包含一个VIS-Assistance VR工具，一些研究使用该技术来诊断法洛四联症合并肺动脉闭锁^［37］。最近的一项大数据研究提出了一种神经网络集成模型，可以识别5个胎儿心脏超声切面，并可以准确分类正常和复杂CHD的超声图像，其敏感度达到95%，特异度达到96%^［38］。该研究还提出了一种分割模型可以自动测量心胸比。该模型在其他医疗中心和低质量的图像上仍具有较高的稳定性，是AI辅助诊断CHD的关键。

3. 肺：胎儿肺成熟度的评估对新生儿的健康至关重要。超声评估胎儿肺成熟度的探索已近30年。一些研究者试图通过观察胎儿呼吸运动或将胎儿肺与肝、肠、胎盘的回声对比来评价胎儿肺的成熟度。这种方法观察者之间的一致性和准确性较差。

近年来，研究人员试图用超声观察胎儿肺纹理特征以评估肺成熟度。Cobo等^［39］用自动定量超声分析软件评估胎儿肺超声图像特征进行分析，结果表明肺纹理特征与孕龄具有一定的相关性。肺纹理不受感兴趣区位置、肺大小、肺方向、超声仪器种类或频率的影响，不需要另一个区域的图像作为参考。因此，该方法的可行性和重复性是可接受的。Chen等^［40］和Palacio等^［41］通过定量研究胎儿肺纹理，进一步验证了AI辅助超声评估胎儿肺成熟度的可行性。Burgos-Artizzu等^［42］评估了一种基于深度学习技术的全自动软件，即新版quantus FLM^®，通过对胎儿肺超声图像的全自动识别、描绘和分割，实现了胎儿肺成熟度的全自动评估，其预测新生儿呼吸系统疾病的性能与基于羊水分析的检测报告的性能相似，显著提高了新生儿呼吸系统发病的预测率。早产儿超声图像上胎儿肺的异质性降低，足月婴儿胎儿肺的异质性增加，因此通过肺纹理异质性分析，有利于胎儿肺发育不良的早期诊断。此外，这些软件不受超声仪器及灰度的影响，并在不同的临床情况下得到了验证。

4. 其他结构（胎盘、宫颈）：宫颈图像组织纹理的定量分析是AI在宫颈机能不全评估中的主要应用要点。Baños等^［43］研究了宫颈超声纹理在妊娠期间的变化，并建立了宫颈超声纹理特征和妊娠龄的预测模型，表明其与妊娠龄具有较强的相关性。该团队进一步研究了宫颈纹理与自发性早产的相关性，结果表明自发性早产孕妇宫颈纹理测值低于正常孕妇，宫颈纹理分析联合宫颈长度预测早产的敏感度明显提高，这为预测孕妇的早产风险提供了支持^［44］。

胎盘成熟度的判断主要依靠医师的肉眼观察，具有较强的主观性。自动检测为胎盘成熟度的检测提供了客观依据。笔者所在团队合作研究了一种基于密集采样的方法用以评估胎盘成熟度，其结果明显优于传统的稀疏感兴趣采样，在编码精度上取得了明显的优势^［45］。Gupta等^［46］利用对胎盘的纹理特征进行定量分析，发现妊娠期高血压孕妇的胎盘和正常组有显著差异，利用胎盘的超声纹理特征可以早期预测妊娠期高血压。胎盘的超声纹理特征定量分析是一项很有前途的技术，将为该领域的更多研究开辟道路。

三、超声图像的AI质量控制

标准的超声切面是评估胎儿生长发育和判断结构异常的基础。非标准的超声图像很容易导致胎儿生长错误评估的、胎儿结构异常的漏诊和误诊。如何判断切面的标准性、保证图像质量是产前超声所面临的一项艰巨任务。传统的超声质控方法为人工质控，其具有主观性强、耗时长、标准不统一等缺点，在临床工作中只能进行少量病例图像的抽查。如果要对全员全病例图像进行质控，需要一种高效、客观且定量的质控手段来保障产前超声图像质量。

2017年笔者所在团队参与了一种基于CNN的胎儿超声图像质量评估系统（FUIQA）的研究^［47］，通过图像中两个关键解剖结构胃泡和脐静脉显示的情况来评价胎儿腹部横切面图像质量。随后关于颅脑和心脏超声切面的AI质控研究相继发表^{［48, 49］}。但是上述研究均是对单一切面进行质控。后期，笔者所在团队与湖南大学合作开发了一种基于深度学习CNN的AI产前超声图像质量控制系统，即“产前超声智慧云平台”。该系统可以对45个超声切面进行定量评估，包括早孕期2个切面和中晚孕期43个切面。2021年该系统开始在全国9个省500余家妇产相关医疗机构陆续使用。谭莹等^［50］针对部分数据进行分析，结果显示该系统具有极高的准确率，能切实地帮助检查医师提高对各标准切面的认识，尤其对低年资医师以及偏远地区培训资源匮乏的医院的整体检查水平提高有着重大意义。

以上的质控属于检查后质控，如果把图像质控提前到检查中，将为检查结果提供更高的保障，从而显著降低诊断错误率。笔者所在团队与开立合作研发的“凤眼S-Fetus”新技术，不仅可以在检查过程中对14个常用胎儿切面自动获取，对12个生长参数自动测量，而且还可以对每幅图像进行定量评估，并进行高分自动替换，最终储存评分最高的超声图像。这一技术的提出和应用，真正实现了事中实时质量控制，对提升产前超声检查与诊断的效率和质量有深远的意义。

四、总结

随着技术的革新，AI正在以一种尚未意识到的形式改变着医疗行业。现在的超声仪器已经配备了智能化应用程序，可以在扫查过程中自动获取标准切面并实现智能测量。智能化的产前超声不仅可以作为超声专家的助手提高工作效率，还可以作为年轻医师的老师指导工作。此外，基于AI的产前超声还有望解决医疗资源不平衡、远程会诊等诸多问题。AI对解剖结构的自动检测还可以作为规范化培训教学工具，指导年轻医师正确认识标准超声切面及其内的解剖结构。

胎儿异常的AI辅助诊断研究较少，胎儿的解剖结构发育变化和胎儿畸形的复杂性带来了重大挑战。目前大多数研究都是单一中心的研究，训练数据资源有限，不利于构建模型的稳定性，也限制了在临床上的推广应用。在临床实践中，疾病的诊断往往需要同时结合影像资料和其他临床数据，不能仅根据一个明显的畸形就进行诊断；再者，单一的异常图像对于疾病的识别和诊断是远远不够的，训练的数据不能覆盖所有的胎儿异常；第三，机器学习是非常有效的临床辅助工具，但是在没有医师监督的情况下进行独立诊断目前是不现实的，有待于更加完善的AI模型的开发。我们认为距离AI在产前超声广泛应用的时代已经不远了。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	He F, Wang Y, Xiu Y, et al. Artificial intelligence in prenatal ultrasound diagnosis [J]. Front Med (Lausanne), 2021, 8: 729978.

2	Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis [J]. Med Image Anal, 2017, 42: 60-88.

3	Zhang L, Chen S, Chin CT, et al. Intelligent scanning: automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination [J]. Med Phys, 2012, 39(8): 5015-5027.

4	Ryou H, Yaqub M, Cavallaro A, et al. Automated 3D ultrasound image analysis for first trimester assessment of fetal health [J]. Phys Med Biol, 2019, 64(18): 185010.

5	Smeets NA, Dvinskikh NA, Winkens B, et al. A new semi-automated method for fetal volume measurements with three-dimensional ultrasound: preliminary results [J]. Prenat Diagn, 2012, 32(8): 770-776.

6	Yang X, Yu L, Li S, et al. Towards Automated semantic segmentation in prenatal volumetric ultrasound [J]. IEEE Trans Med Imaging, 2019, 38(1): 180-193.

7	Bernardino F, Cardoso R, Montenegro N, et al. Semiautomated ultrasonographic measurement of fetal nuchal translucency using a computer software tool [J]. Ultrasound Med Biol, 1998, 24(1): 51-54.

8	Lee YB, Kim MJ, Kim MH. Robust border enhancement and detection for measurement of fetal nuchal translucency in ultrasound images [J]. Med Biol Eng Comput, 2007, 45(11): 1143-1152.

9	Deng Y, Wang Y, Chen P, et al. A hierarchical model for automatic nuchal translucency detection from ultrasound images [J]. Comput Biol Med, 2012, 42(6): 706-713.

10	Park J, Sofka M, Lee S, et al. Automatic nuchal translucency measurement from ultrasonography [J]. Med Image Comput Comput Assist Interv, 2013, 16(Pt 3): 243-250.

11	Anzalone A, Fusco G, Isgrò F, et al. A system for the automatic measurement of the nuchal translucency thickness from ultrasound video stream of the foetus [C]. IEEE International Symposium on Computer-Based Medical Systems, Porto, Portugal, 20-22 June 2013.

12	Sciortino G, Orlandi E, Valenti C, et al. Wavelet analysis and neural network classifiers to detect mid-sagittal sections for nuchal translucency measurement [J]. Image Analysis & Stereology, 2016, 35(2): 105-115.

13	Sciortino G, Tegolo D, Valenti C. Automatic detection and measurement of nuchal translucency [J]. Comput Biol Med, 2017, 82: 12-20.

14	Nie S, Yu J, Chen P, et al. Automatic detection of standard sagittal plane in the first trimester of pregnancy using 3-D ultrasound data [J]. Ultrasound Med Biol, 2017, 43(1): 286-300.

15	Nie S, Yu J, Chen P, et al. Automatic measurement of fetal Nuchal translucency from three-dimensional ultrasound data [J]. Annu Int Conf IEEE Eng Med Biol Soc, 2017, 2017: 3417-3420.

16	Dudley NJ, Chapman E. The importance of quality management in fetal measurement [J]. Ultrasound Obstet Gynecol, 2002, 19(2): 190-196.

17	van Nisselrooij AEL, Teunissen AKK, Clur SA, et al. Why are congenital heart defects being missed? [J]. Ultrasound Obstet Gynecol, 2020, 55(6): 747-757.

18	Liu X, Faes L, Kale AU, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis [J]. Lancet Digit Health, 2019, 1(6): e271-e297.

19	Chen H, Ni D, Qin J, et al. Standard plane localization in fetal ultrasound via domain transferred deep neural networks [J]. IEEE J Biomed Health Inform, 2015, 19(5): 1627-1636.

20	Chen H, Dou Q, Ni D, et al. Automatic fetal ultrasound standard plane detection using knowledge transferred recurrent neural networks [J]. Medical Image Computing And Cmoputer-Assisted Intervention, 2015, 9349: 504-514.

21	Lei B, Tan EL, Chen S, et al. Automatic recognition of fetal facial standard plane in ultrasound image via fisher vector [J]. PLoS One, 2015, 10(5): e0121838.

22	Yu Z, Tan EL, Ni D, et al. A deep convolutional neural network-based framework for automatic fetal facial standard plane recognition [J]. IEEE J Biomed Health Inform, 2018, 22(3): 874-885.

23	Burgos-Artizzu XP, Coronado-Gutiérrez D, Valenzuela-Alcaraz B, et al. Evaluation of deep convolutional neural networks for automatic classification of common maternal fetal ultrasound planes [J]. Sci Rep, 2020, 10(1): 10200.

24	Cai Y, Droste R, Sharma H, et al. Spatio-temporal visual attention modelling of standard biometry plane-finding navigation [J]. Med Image Anal, 2020, 65: 101762.

25	Baumgartner CF, Kamnitsas K, Matthew J, et al. SonoNet: real-time detection and localisation of fetal standard scan planes in freehand ultrasound [J]. IEEE Trans Med Imaging, 2017, 36(11): 2204-2215.

26	Sinclair M, Baumgartner CF, Matthew J, et al. Human-level performance on automatic head biometrics in fetal ultrasound using fully convolutional neural networks [J]. Annu Int Conf IEEE Eng Med Biol Soc, 2018, 2018: 714-717.

27	Zeng Y, Tsui PH, Wu W, et al. Fetal ultrasound image segmentation for automatic head circumference biometry using deeply supervised attention-gated V-net [J]. J Digit Imaging, 2021, 34(1): 134-148.

28	Kim B, Kim KC, Park Y, et al. Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images [J]. Physiol Meas, 2018, 39(10): 105007.

29	Luo D, Wen H, Peng G, et al. A prenatal ultrasound scanning approach: one-touch technique in second and third trimesters [J]. Ultrasound Med Biol, 2021,47(8):2258-2265.

30	Chen X, He M, Dan T, et al. Automatic measurements of fetal lateral ventricles in 2D ultrasound images using deep learning [J]. Front Neurol, 2020, 11: 526.

31	Pluym ID, Afshar Y, Holliman K, et al. Accuracy of automated three-dimensional ultrasound imaging technique for fetal head biometry [J]. Ultrasound Obstet Gynecol, 2021, 57(5): 798-803.

32	Cho HC, Sun S, Min Hyun C, et al. Automated ultrasound assessment of amniotic fluid index using deep learning [J]. Med Image Anal, 2021, 69: 101951.

33	Yang X, Wang X, Wang Y, et al. Hybrid attention for automatic segmentation of whole fetal head in prenatal ultrasound volumes [J]. Comput Methods Programs Biomed, 2020, 194: 105519.

34	Sahli H, Mouelhi A, Ben Slama A, et al. Supervised classification approach of biometric measures for automatic fetal defect screening in head ultrasound images [J]. J Med Eng Technol, 2019, 43(5): 279-286.

35	Burgos-Artizzu XP, Coronado-Gutiérrez D, Valenzuela-Alcaraz B, et al. Analysis of maturation features in fetal brain ultrasound via artificial intelligence for the estimation of gestational age [J]. Am J Obstet Gynecol MFM, 2021, 3(6): 100462.

36	Yeo L, Romero R. Fetal Intelligent Navigation Echocardiography (FINE): a novel method for rapid, simple, and automatic examination of the fetal heart [J]. Ultrasound Obstet Gynecol, 2013, 42(3): 268-284.

37	Yeo L, Markush D, Romero R. Prenatal diagnosis of tetralogy of fallot with pulmonary atresia using: Fetal Intelligent Navigation Echocardiography (FINE) [J]. J Matern Fetal Neonatal Med, 2019, 32(21): 3699-3702.

38	Arnaout R, Curran L, Zhao Y, et al. An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease [J]. Nat Med, 2021, 27(5): 882-891.

39	Cobo T, Bonet-Carne E, Martínez-Terrón M, et al. Feasibility and reproducibility of fetal lung texture analysis by Automatic Quantitative Ultrasound Analysis and correlation with gestational age [J]. Fetal Diagn Ther, 2012, 31(4): 230-236.

40	Chen P, Chen Y, Deng Y, et al. A preliminary study to quantitatively evaluate the development of maturation degree for fetal lung based on transfer learning deep model from ultrasound images [J]. Int J Comput Assist Radiol Surg, 2020, 15(8): 1407-1415.

41	Palacio M, Cobo T, Martínez-Terrón M, et al. Performance of an automatic quantitative ultrasound analysis of the fetal lung to predict fetal lung maturity [J]. Am J Obstet Gynecol, 2012, 207(6): 504.e1-504.e5045.

42	Burgos-Artizzu XP, Perez-Moreno Á, Coronado-Gutierrez D, et al. Evaluation of an improved tool for non-invasive prediction of neonatal respiratory morbidity based on fully automated fetal lung ultrasound analysis [J]. Sci Rep, 2019, 9(1): 1950.

43	Baños N, Perez-Moreno A, Migliorelli F, et al. Quantitative analysis of the cervical texture by ultrasound and correlation with gestational age [J]. Fetal Diagn Ther, 2017, 41(4): 265-272.

44	Baños N, Perez-Moreno A, Julià C, et al. Quantitative analysis of cervical texture by ultrasound in mid-pregnancy and association with spontaneous preterm birth [J]. Ultrasound Obstet Gynecol, 2018, 51(5): 637-643.

45	Lei B, Yao Y, Chen S, et al. Discriminative learning for automatic staging of placental maturity via multi-layer fisher vector [J]. Sci Rep, 2015, 5: 12818.

46	Gupta K, Balyan K, Lamba B, et al. Ultrasound placental image texture analysis using artificial intelligence to predict hypertension in pregnancy [J]. J Matern Fetal Neonatal Med, 2021, 35(25): 5587-5594.

47	Wu L, Cheng JZ, Li S, et al. FUIQA: fetal ultrasound image quality assessment with deep convolutional networks [J]. IEEE Trans Cybern, 2017, 47(5): 1336-1349.

48	Lin Z, Li S, Ni D, et al. Multi-task learning for quality assessment of fetal head ultrasound images [J]. Med Image Anal, 2019, 58: 101548.

49	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.

50	谭莹, 文华轩, 彭桂艳, 等. 在线产科超声图像智能质量控制系统的临床应用价值 [J/OL]. 中华医学超声杂志(电子版), 2022, 19(7): 649-655.

Options

文章导航

模态框（Modal）标题