切换至 "中华医学电子期刊资源库"
超声医学质量控制

人工智能在胎儿超声心动图标准切面质量控制中的多中心应用研究

  • 何冠南 1 ,
  • 谭莹 2 ,
  • 路玉欢 3 ,
  • 蒲斌 3 ,
  • 扬水华 4 ,
  • 张仁铁 5 ,
  • 陈明 6 ,
  • 石智红 7 ,
  • 钟晓红 8 ,
  • 陈曦 1 ,
  • 燕柳屹 1 ,
  • 李胜利 , 2,
展开
  • 1.610045 成都,四川省妇幼保健院超声科
  • 2.518028 南方医科大学附属深圳市妇幼保健院超声科
  • 3.410082 长沙,湖南大学信息科学与工程学院
  • 4.530002 南宁,广西壮族自治区妇幼保健院超声科
  • 5.554300 贵州铜仁,铜仁市妇幼保健院超声科
  • 6.150500 哈尔滨红十字医院超声科
  • 7.250099 济南市妇幼保健院超声科
  • 8.361003 厦门市妇幼保健院超声科
李胜利,Email:
Li Shengli, Email:

Copy editor: 吴春凤

收稿日期: 2025-04-11

  网络出版日期: 2025-07-17

版权

版权归中华医学会所有。 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。

Application of artificial intelligence in quality control of standard views for fetal echocardiography: a multi-center study

  • Guannan He 1 ,
  • Ying Tan 2 ,
  • Yuhuan Lu 3 ,
  • Bin Pu 3 ,
  • Shuihua Yang 4 ,
  • Rentie Zhang 5 ,
  • Ming Chen 6 ,
  • Zhihong Shi 7 ,
  • Xiaohong Zhong 8 ,
  • Xi Chen 1 ,
  • Liuyi Yan 1 ,
  • Shengli Li , 2,
Expand
  • 1.Department of Ultrasound, Sichuan Provincial Maternity and Child Health Care Hospital, Chengdu 610045, China
  • 2.Department of Ultrasound,Affiliated Shenzhen Maternal and Child Healthcare Hospital of Nanfang Medical University, Shenzhen 518028, China
  • 3.College of Computer Science and Electronic Engineering, Hunan University, Changsha 410082, China
  • 4.Department of Ultrasound, Maternity and Child Health Care of Guanxi Zhuang Autonomous Region, Nanning 530002, China
  • 5.Department of Ultrasound, Tongren Maternal And Child Health Care Hospital, Tongren 554300, China
  • 6.Department of Ultrasound, Harbin Red Cross Central Hospital, Haerbin 150500, China
  • 7.Department of Ultrasound, Jinan Maternity and Child Care Hospital, Jinan 250099, China
  • 8.Department of Ultrasound, Xiamen Maternity and Child Care Hospital, Xiamen 361003, China

Received date: 2025-04-11

  Online published: 2025-07-17

Copyright

Copyright by Chinese Medical Association 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.

摘要

目的

探讨人工智能深度学习算法在胎儿心脏11 个标准切面质量控制中的应用价值。

方法

选择7 家医院胎儿超声心动图检查病例图片,筛选其中妊娠20 ~34 周的胎儿心脏图像共35 331 张。根据胎儿心脏检查超声指南推荐需要留存的11 个胎儿心脏切面,提出一种融合Transformer 技术(深度学习的架构之一)的心脏切面自动质量控制方法对胎儿心脏图像进行质量控制。以专家团队评定的结果为标准,将收集到的胎儿心脏图像分为数据集A 和数据集B,分别包含24 000、11 331 张图像。数据集A 用于深度学习模型训练,数据集B 则分别用于深度学习预测以及2名具有5 年超声心动图检查经验的医师进行人工质量评估。采用平均精度(AP)值作为核心统计指标评估模型性能。

结果

融合Transformer 技术的心脏切面自动质量控制方法对于胎儿心脏切面解剖结构识别的AP 值达到了0.885,可以准确识别胎儿超声心动图需要留存切面常用解剖结构。深度学习模型识别胎儿心脏超声图像平均时长为0.028 s/张,而2 名超声医师识别的平均时长为3.77 s/张,使用基于深度学习的方法评估胎儿心脏超声图像质量的速度是医师人工评估的134.6 倍。

结论

运用深度学习模型对胎儿心脏超声切面进行质量控制可以达到专家判定的水平并节省了时间。

本文引用格式

何冠南 , 谭莹 , 路玉欢 , 蒲斌 , 扬水华 , 张仁铁 , 陈明 , 石智红 , 钟晓红 , 陈曦 , 燕柳屹 , 李胜利 . 人工智能在胎儿超声心动图标准切面质量控制中的多中心应用研究[J]. 中华医学超声杂志(电子版), 2025 , 22(05) : 388 -396 . DOI: 10.3877/cma.j.issn.1672-6448.2025.05.002

Abstract

Objective

To explore the application value of deep learning algorithms in quality control of the 11 standard fetal cardiac views.

Methods

Images of fetal echocardiography were collected from seven hospitals, of which a total of 35331 images were selected from fetuses between 20 and 34 weeks of gestation.Based on the 11 standard fetal cardiac views recommended by fetal echocardiography guidelines, a novel automatic quality control method integrating transformer-based techniques was proposed to assess image quality.Using expert evaluation as the reference standard, the collected images were divided into two datasets: dataset A (24 000 images) for model training, and dataset B (11 331 images) for both deep learning-based prediction and manual quality assessment by two physicians with five years of clinical experience.Average precision (AP) was used as the primary metric to evaluate model performance.

Results

The transformer-based automatic quality control method achieved an AP of 0.885 in recognizing anatomical structures in fetal cardiac views, demonstrating accurate identification of key anatomical features required in standard fetal echocardiography.The deep learning model processed each image in approximately 0.028 seconds, while the two experienced physicians took an average of 3.77 seconds per image.Thus, the deep learning-based approach was 134.6 times faster than manual evaluation.

Conclusion

The application of deep learning models for quality control of fetal echocardiographic views can achieve expert-level performance while significantly reducing the time required for manual quality assessment.

超声心动图在胎儿心脏疾病的诊断和治疗中发挥了重要作用,同时检查结果在临床预测胎儿围产结局、指导分娩及远期诊疗效果中也得到了证实[1,2]。目前国际及国内已有可参考的胎儿超声心动图应用指南,如何按照指南的要求,留取标准图像并识别异常图像,直接影响产前诊断的结果及临床预后,而进行图像的质量控制是关键。因此,应用人工智能新技术识别标准图像和自动化提取切面上的解剖结构,对于识别异常图像、优化和推动胎儿超声心动图的临床应用具有重要作用。
人工智能(artificial intelligence,AI)近年来发展迅速,目前在医学图像分析中已经取得了巨大成功。深度学习是AI 的一个重要子领域,属于机器学习的分支之一。深度学习已广泛应用于成人和胎儿超声图像分析,用于图像的分类和解剖结构的检测,在切面分类方面优于临床医师[3,4,5,6,7,8]。并且多个AI 模型可以以一种集成的方式用于胎儿超声图像的质量控制。
超声图像的质量控制是胎儿超声筛查中最基础的步骤,也是临床中最耗时耗力的步骤,胎儿超声图像基于AI 自动质量控制的研究越来越受关注[9,10,11,12,13,14,15,16]。Transformer 技术是深度学习领域最具影响力的架构之一,笔者基于先进的深度学习方法提出了一种融合Transformer 技术的心脏切面自动质量控制方法(下文称心脏智能质控模型),对胎儿心脏超声图像进行自动质量控制,以期提高评估质量并缩减评估的时间。

资料与方法

一、对象

从中、东、西部7 家医院(二级甲等至三级甲等)的30 位医师(其中主任医师5 人,副主任医师13 人,主治医师12 人)于2023 年1 月至12月1 年内所做的胎儿超声心动图检查病例中,随机选择30 位医师采集的妊娠20 ~34 周的正常胎儿超声切面,包括胎儿11 种心脏切面图像和其他非心脏切面图像(合称其他切面)共12 种切面,每种切面随机抽取2800 ~3200 张图像,共计35 331 张。11 种超声心动图切面包括动脉导管弓切面(ductal arch view,DuArch),三血管气管切面(three-vessel and trachea view,3VT),三血管切面(three-vessel view,3VV),腹部横切面(abdominal cross-section,AC),上、下腔静脉长轴切面(caval long axis,CLA),四腔心切面(four-chamber view,4CH),大动脉短轴切面(short-axis view,SA),右心室流出道切面(right ventricle outflow tract view,RVOT),左心室流出道切面(left ventricle outflow tract view,LVOT),左、右肺动脉分叉切面(left and right pulmonary arteries view,LRPA),主动脉弓切面(aortic arch view,AoArch)。

二、仪器与方法

(一)仪器:使用三星HERA W10、Ws80,GE E8、E10,飞利浦EPIQ7、EPIQ5、ELITE,开立S60、P60, 迈瑞Resona7、Resona8、Resona9超声诊断仪,经腹部超声CA1 ~7 MHz,CA2 ~9 MHz,CA1 ~8 MHz,CA3-1 MHz 探头。
(二)数据集处理
将所有收集图像分为2 个数据集:数据集A为实验数据集,每种切面随机从35 331 张图像中分别选取2000 张,共24 000 张切面图像,用于构建心脏智能质控模型;数据集B 为评估数据集,余下11 331 张图像,每种切面尽可能到达650 ~900 张,做到数据基本平衡。
数据集A(表1):按3∶1∶1 划分训练集(14 412 张)、验证集(4794 张)、测试集(4794张),训练集用于模型学习参数,验证集用于模型调整参数并选择最佳参数,测试集用于评估模型最终性能。训练数据由5 位具有5 年胎儿超声心动图工作经验的医师标注12 种切面类型及24 个解剖结构,对于意见不一致的切面,由超声心动图专家再进行评估。标注的解剖结构主要有升主动脉、主动脉、主动脉弓、腹壁、降主动脉、房室间隔、头颈部血管分支、下腔静脉、室间隔、左心房、左心房及主动脉、左肺动脉、左心室、主肺动脉、主肺动脉及动脉导管、右心房、肋骨、右肺动脉、右心室、脊柱、胃、上腔静脉、气管、脐静脉及门静脉。
表1 妊娠20 ~34 周正常胎儿超声心动图数据集分布
切面类型 数据集 A 数据集 B
训练集 验证集 测试集 合计 标准切面 非标准切面 合计
DuArch 1200 400 400 2000 426 425 851
3VT 1202 399 399 2000 480 467 947
3VV 1200 400 400 2000 427 374 801
AC 1200 400 400 2000 402 375 777
CLA 1202 399 399 2000 447 388 835
4CH 1200 400 400 2000 581 618 1199
SA 1202 399 399 2000 378 284 662
RVOT 1204 398 398 2000 536 293 829
LVOT 1202 399 399 2000 458 329 787
LRPA 1200 400 400 2000 374 358 732
AoArch 1200 400 400 2000 423 412 835
其他切面 1200 400 400 2000 - - 2076
合计 14412 4794 4794 24000 - - 11331

注:DuArch 为动脉导管弓切面,3VT 为三血管气管切面,3VV 为三血管切面,AC 为腹部横切面,CLA 为上、下腔静脉长轴切面,4CH 为四腔心切面,SA 为大动脉短轴切面,RVOT 为右心室流出道切面,LVOT 为左心室流出道切面,LRPA 为左、右肺动脉分叉切面,AoArch 为主动脉弓切面;-表示无对应数据或无法合计

数据集B(表1):由2 名具有正高级职称的医师判定11 331 张图像的切面标准性及类型,争议图像经2 名医师协商决定。使用自动质量控制评估方法测试模型(图1),并由2 名具有5 年胎儿心动图超声检查经验的医师(医师1 和医师2)独立评估相同数据,对比模型与人工结果以验证算法及方案的有效性。实际数据存在切面不均衡,通过采样使各切面标准/非标准样本量平衡。
图1 人工智能模型检测胎儿超声心动图11 个标准切面上解剖结构框及标准切面示意图

注:左边为超声切面图像,右边为该切面的模式图(Schematic),从左到右依次为AC(腹部横切面)、4CH(四腔心切面)、LVOT(左心室流出道切面)、RVOT(右心室流出道切面、SA(大动脉短轴切面)、3VV(三血管切面)、LRPA(左、右肺动脉分叉切面)、3VT(三血管气管切面)、AoArch(主动脉弓切面)、DuArch(动脉导管弓切面)、CLA(上、下腔静脉长轴切面);R 为右侧,L 为左侧,RIB 为肋骨,IVC 为下腔静脉,AW 为腹壁,UV 为脐静脉,PV 为门静脉,SP 为脊柱,ST 为胃,AO 为主动脉,LV 为左心室,RV 为右心室,LA 为左心房,RA 为右心房,DAO 为降主动脉,IVS 为室间隔,LVTO 为左心室流出道,ARCH 为主动脉弓,SVC 为上腔静脉,MPA 为主肺动脉,RPA 为右肺动脉,AAO 为升主动脉,ICSA 为头颈部血管分支

(三)自动质量控制评估方法
为评估胎儿超声心动图图像质量,设计如下框架(图2),包括切面与结构检测模块和图像质量判别模块。结构检测模块通过骨干网提取特征,经编码与解码融合空间信息,最终通过Box Branch与Class Branch 预测目标框(切面框及解剖结构框)。图像质量判别模块为手工设计,基于临床评估流程制定协议,依据结构检测模块输出结果评估图像质量(切面类型、标准性、质量分数)。
图2 评估胎儿超声心动图图像质量的框架图示

注:CD 为结构检测模块,QA 为图像质量判别模块,Section 为切面,Standard 为标准,Score 为分数,query 为特征队列,Encoder 为特征编码器,Decoder 为特征解码器,Box-branch 为目标框定位分支,Class-branch 为类别分支,Check-branch 为信息校验分支

1.结构检测模块:基于结构间依赖关系,使用Transformer 全局特征端到端识别切面类别及关键结构。(1)特征提取:采用Resnet 提取C3、C4、C5 层特征,通过卷积层从C5 提取C5-1 层特征,四层特征统一通道后送入编码器。未使用FPN(feature pyramid network)/PAN(path aggregation network),因后续多尺度注意力机制可融合特征。(2)特征编码:基于Transformer Encoder 原则,构建含可变形注意力块和前馈网络的编码器。为特征图像素点创建三维位置编码(二维位置+层级编码)。(3)特征解码:结构与编码器相似,输出N 维特征对应检测目标,并预测初始参考点以优化框定位。(4)分类与检测:通过Class-Branch、Box-Branch 预测X×N 个带类别的目标框。
2.质量评估方法:根据胎儿超声心动图切面判定所需关键解剖结构的重要性不同,为各个切面的解剖结构分配权值,例如四腔心切面中心室、心房、室间隔等关键结构权值为2,脊柱、降主动脉等次要结构为1。在每个切面中,仅关键结构参与质量评估。同一结构在不同切面中的权值可能不同。由于各切面需观察的结构数量及重要性存在差异,为每个切面设置了独立的质量阈值。当切面评分超过其对应阈值时,即判定为标准图像。
3.图像质量判别模块:根据结构检测模块输出的切面框和解剖结构框,按质量评估方法进行评分:(1)按置信度排序切面框,取最高置信度类别作为图像切面类型;(2)目标检测框辅助模型聚焦关键区域,提升分类效果。
4.准确率评估:实验同时检测切面类别框和解剖结构框(图3),并将本研究算法模型与10种先进检测算法(包括YOLOF、RSB、DDOD、Anchor Pruning、DyHead、SABL、AutoAssign、CentripetalNet、ATSS、FoveaBox)对比。
图3 胎儿超声心动图切面判别结果可视化图像示例。该可视化视图为人工智能模型在对原始超声图像进行判断时,通过对各切面上应显示解剖结构进行识别,并将识别的解剖结构用矩形方框圈出

注:YOLOF、RSB、DDOD、Anchor Pruning、DyHead、SABL、AutoAssign、CentripetalNet、ATSS、FoveaBox 为10 种先进检测算法,LVOT 为左心室流出道切面,LRPA 为左、右肺动脉分叉切面,RVOT 为右心室流出道切面,SA 为大动脉短轴切面,3VV 为三血管切面,3VT 为三血管气管切面

三、统计学分析

本研究采用平均精度(average precision,AP)值作为核心统计指标评估模型性能。AP 值是目标检测和图像质量评估领域中广泛采用的统计学指标,其计算基于精确率-召回率(Precision-Recall)曲线下的面积,能够综合反映算法在不同置信度阈值下的整体表现,AP 越高表示算法性能越好。所有统计计算均使用Python 3.8(scikitlearn 1.0.2)完成,显著性检验采用Bootstrap 重采样法(n=1000),以P<0.05 为差异具有统计学意义。

结 果

本研究心脏智能质控模型算法与10 种先进检测算法对比结果(表2)显示,在12 种切面类型判定、24 个心脏解剖结构识别准确率方面,本研究算法表现最优。对胎儿超声心动图切面类型及切面标准性判断结果发现,与2 名医师(医师1、医师2)比较,心脏智能质控模型在12 类切面类型识别中平均准确率(0.727 vs 0.659 vs 0.457)及标准性判定准确率(0.755 vs 0.605 vs 0.662)均高于2 位高年资医师(表3)。在质量控制效率方面(表4),心脏智能质控模型单图识别仅需0.028 s(医师识别平均时间为3.77 s),速度提升134.6 倍。
表2 本研究模型算法与同类算法在胎儿超声心动图切面类型和解剖结构识别准确率方面比较的结果
项 目 YOLOF RSB DDOD Anchor Pruning DyHead SABL AutoAssign CentripetalNet ATSS FoveaBox 心脏智能质控模型
切面
AP50 0.839 0.839 0.744 0.557 0.822 0.854 0.848 0.814 0.835 0.829 0.877
DuArch 0.889 0.902 0.822 0.677 0.879 0.895 0.913 0.866 0.886 0.892 0.911
3VT 0.724 0.760 0.661 0.348 0.679 0.768 0.760 0.639 0.717 0.729 0.789
3VV 0.665 0.658 0.557 0.264 0.606 0.694 0.677 0.554 0.654 0.659 0.704
AC 0.999 0.999 0.897 0.981 0.991 0.999 1.000 0.954 0.981 0.946 1.000
CLA 0.815 0.870 0.793 0.602 0.832 0.876 0.845 0.826 0.838 0.830 0.849
4CH 0.966 0.965 0.903 0.889 0.962 0.965 0.965 0.893 0.960 0.963 0.972
SA 0.799 0.793 0.750 0.503 0.786 0.791 0.813 0.717 0.789 0.772 0.831
RVOT 0.649 0.639 0.551 0.225 0.590 0.662 0.655 0.532 0.653 0.649 0.699
LVOT 0.803 0.778 0.740 0.372 0.686 0.813 0.791 0.705 0.739 0.765 0.830
LRPA 0.854 0.853 0.814 0.266 0.837 0.874 0.850 0.811 0.865 0.848 0.875
AoArch 0.855 0.872 0.790 0.693 0.852 0.899 0.886 0.861 0.858 0.871 0.904
其他切面 0.959 0.949 0.538 0.906 0.961 0.956 0.966 0.669 0.960 0.888 0.972
切面框AP 0.831 0.837 0.735 0.561 0.805 0.849 0.843 0.752 0.825 0.818 0.861
解剖结构
AAO 0.894 0.899 0.811 0.704 0.881 0.893 0.905 0.913 0.885 0.876 0.922
AO 0.884 0.916 0.682 0.531 0.907 0.895 0.917 0.942 0.917 0.870 0.930
ARCH 0.859 0.863 0.791 0.520 0.852 0.873 0.864 0.881 0.868 0.859 0.895
AW 0.997 0.999 0.985 0.983 0.989 0.962 0.999 0.974 0.989 0.998 1.000
DAO 0.925 0.915 0.853 0.743 0.916 0.933 0.924 0.919 0.923 0.914 0.946
IAVS 0.888 0.868 0.714 0.540 0.855 0.880 0.877 0.859 0.875 0.890 0.922
ICSA 0.587 0.592 0.521 0.149 0.549 0.662 0.660 0.520 0.567 0.601 0.746
IVC 0.811 0.786 0.654 0.349 0.773 0.798 0.810 0.815 0.814 0.748 0.817
IVS 0.827 0.855 0.741 0.412 0.798 0.836 0.839 0.855 0.809 0.808 0.892
LA 0.844 0.818 0.755 0.484 0.801 0.846 0.831 0.850 0.825 0.851 0.876
LAAO 0.765 0.745 0.636 0.229 0.723 0.774 0.754 0.790 0.732 0.728 0.806
LPA 0.787 0.801 0.722 0.538 0.817 0.841 0.806 0.808 0.815 0.798 0.849
LV 0.881 0.866 0.756 0.505 0.834 0.888 0.878 0.870 0.852 0.852 0.917
MPA 0.804 0.792 0.728 0.387 0.803 0.852 0.810 0.833 0.805 0.843 0.861
MPADA 0.847 0.841 0.765 0.618 0.834 0.856 0.840 0.821 0.832 0.838 0.854
RA 0.882 0.870 0.805 0.639 0.864 0.889 0.877 0.858 0.871 0.869 0.904
RIB 0.787 0.702 0.657 0.530 0.758 0.782 0.753 0.664 0.771 0.739 0.812
RPA 0.854 0.885 0.769 0.583 0.844 0.860 0.855 0.871 0.858 0.840 0.906
RV 0.838 0.822 0.720 0.513 0.818 0.829 0.824 0.810 0.809 0.809 0.866
SP 0.955 0.945 0.911 0.931 0.951 0.946 0.952 0.937 0.951 0.939 0.956
ST 0.974 0.969 0.951 0.939 0.971 0.980 0.974 0.969 0.977 0.971 0.973
SVC 0.768 0.778 0.642 0.383 0.753 0.803 0.795 0.821 0.783 0.770 0.844
T 0.611 0.698 0.464 0.221 0.662 0.684 0.708 0.741 0.682 0.654 0.779
UVPV 0.966 0.953 0.917 0.892 0.962 0.972 0.964 0.955 0.966 0.950 0.972
结构框AP 0.843 0.841 0.748 0.555 0.830 0.856 0.851 0.845 0.841 0.834 0.885

注:AP 为平均精度值,AP50 表示切面类别框与解剖结构框的平均准确率,切面框AP 表示切面框的平均准确率,结构框AP 表示解剖结构框的平均准确率。DuArch 为动脉导管弓切面,3VT 为三血管气管切面,3VV 为三血管切面,AC 为腹部横切面,CLA 为上、下腔静脉长轴切面,4CH 为四腔心切面,SA 为大动脉短轴切面,RVOT 为右心室流出道切面,LVOT 为左心室流出道切面,LRPA 为左、右肺动脉分叉切面,AoArch为主动脉弓切面;AAO 为升主动脉,AO 为主动脉,ARCH 为主动脉弓,AW 为腹壁,DAO 为降主动脉,IAVS 为房室间隔,ICSA 为头颈部血管分支,IVC 为下腔静脉,IVS 为室间隔,LA 为左心房,LAAO 为左房及主动脉,LPA 为左肺动脉,LV 为左心室,MPA 为主肺动脉,MPADA 为主肺动脉及动脉导管,RA 为右心房,RIB 为肋骨,RPA 为右肺动脉,RV 为右心室,SP 为脊柱,ST 为胃,SVC 为上腔静脉,T 为气管,UVPU 为脐静脉及门静脉;YOLOF、RSB、DDOD、Anchor Pruning、DyHead、SABL、AutoAssign、CentripetalNet、ATSS、FoveaBox 为10 种先进检测算法

表3 心脏智能质控模型及医师组对胎儿超声心动图切面类型及切面标准性判断结果比较
切面类别 标准与否 切面标准与否准确性 切面类型准确性
医师1 医师2 心脏智能质控模型 医师1 医师2 心脏智能质控模型
DuArch 标准 0.881 0.785 0.718 0.542 0.179 0.780
非标准 0.427 0.600 0.870
3VT 标准 0.998 0.788 0.876 0.624 0.301 0.630
非标准 0.026 0.382 0.660
3VV 标准 0.988 0.392 0.832 0.546 0.397 0.551
非标准 0.070 0.857 0.611
AC 标准 0.832 0.857 0.930 0.961 0.737 0.981
非标准 0.859 0.651 0.793
CLA 标准 0.932 0.788 0.843 0.564 0.551 0.674
非标准 0.343 0.636 0.828
4CH 标准 0.921 0.838 0.835 0.827 0.490 0.823
非标准 0.341 0.570 0.627
SA 标准 0.952 0.532 0.717 0.834 0.471 0.801
非标准 0.114 0.730 0.816
RVOT 标准 0.983 0.330 0.877 0.264 0.211 0.604
非标准 0.071 0.722 0.491
LVOT 标准 0.962 0.735 0.896 0.644 0.363 0.738
非标准 0.071 0.586 0.304
LRPA 标准 0.968 0.723 0.912 0.478 0.403 0.652
非标准 0.287 0.754 0.678
AoArch 标准 0.920 0.936 0.691 0.733 0.430 0.784
非标准 0.362 0.360 0.795
其他切面 0.895 0.948 0.711
平均值 0.605 0.662 0.755 0.659 0.457 0.727

注:DuArch 为动脉导管弓切面,3VT 为三血管气管切面,3VV 为三血管切面,AC 为腹部横切面,CLA 为上、下腔静脉长轴切面,4CH 为四腔心切面,SA 为大动脉短轴切面,RVOT 为右心室流出道切面,AoArch 为主动脉弓切面,LVOT 为左心室流出道切面,LRPA 为左、右肺动脉分叉切面

表4 心脏智能质控模型及医师组判断胎儿超声心动图切面类型检测速度结果(s/张)
切面类型 医师1 医师2 心脏智能质控模型
DuArch 5.944 2.401 0.028
3VT 4.600 2.810
3VV 5.811 3.090
AC 4.314 2.918
CLA 4.775 3.073
4CH 4.178 2.430
SA 5.264 3.740
RVOT 5.302 3.170
LVOT 4.140 2.638
LRPA 5.559 3.999
AoArch 5.873 2.674
其他切面 2.873 1.892
平均值 4.886 2.903

注:DuArch 为动脉导管弓切面,3VT 为三血管气管切面,3VV 为三血管切面,AC 为腹部横切面,CLA 为上、下腔静脉长轴切面,4CH 为四腔心切面,SA 为大动脉短轴切面,RVOT 为右心室流出道切面,AoArch 为主动脉弓切面,LVOT 为左心室流出道切面,LRPA 为左、右肺动脉分叉切面

讨 论

胎儿心脏超声检查的首要前提是获取标准切面,这是判断心脏发育是否正常的基础。国内外指南要求的标准切面数量不一[17,18,19],美国医学超声学会胎儿超声心动图指南要求9 个切面,国际妇产科超声学会和中国胎儿超声心动图指南要求是9 ~11 个切面。本研究心脏智能质控模型采用最全面的指南要求,共检测11 个切面,在评价右心室流出道时,许多指南均提到,在常规RVOT 基础上,可以增加心底短轴和左、右肺动脉分叉切面,这样能够更全面地评估右心室流出道的发育,包括右心室流出道、主肺动脉、肺动脉瓣、左右肺动脉。本研究模型能够进行最完整的胎儿超声心动图11 个切面的质量评估,而现有研究多局限于单一切面或最多5 个切面的智能评价[20,21],缺乏完整的胎儿超声心动图要求的11 切面质量控制体系。
本研究基于多中心、大样本的前瞻性临床研究设计,研究数据来源于7 家不同级别的医疗机构,覆盖了从二级甲等到三级甲等的医院,确保了医疗实践环境的多样性。参与数据采集的30 位超声医师具有完整的职称梯度分布,包括主治医师、副主任医师和主任医师,充分反映了不同年资医师的临床操作特点。在设备选择方面,研究纳入国际、国内主流品牌的10 余种超声机型,全面涵盖了当前临床常用的设备类型。最终纳入分析的超声图像样本量达到35 331 张。该数据集不仅具有来源广泛、样本量大等优势,更因其严格的纳入标准、规范化的采集流程和全面的质量控制,在临床代表性和实践指导价值方面展现出显著优势,保证了后续研究的可靠性。
本文提出基于Resnet+Transformer 的自动质量控制方法:通过Resnet 提取多尺度特征,利用Transformer 编码器(含注意力层和前馈网络)实现11 种心脏切面和其他非心脏切面的实时识别。这是首个实现完整胎儿超声心动图智能质量控制的研究。该方法能准确区分易混淆切面(如大动脉短轴切面与左、右肺动脉分叉切面)。本研究的算法在12 类切面(胎儿超声心动图11 切面和其他类)上取的最高的平均准确率达0.877,与性能最差的Anchor Pruning 算法相比,准确率高出0.3 左右。在解剖结构的识别方面,本研究的算法依然保持最优,AP 值为0.885,特别在左心室、左心房、右心室、右心房等关键解剖结构上展现了优秀的检测性能。
切面标准性取决于解剖结构的完整显示。模型可检测24 个解剖结构,平均AP 值达0.885。与2名高年资临床医师对比:在12 类切面类型识别中心脏智能质控模型平均准确率高于2 名具有5 年胎儿超声心动图检查经验的超声医师(0.727 vs 0.659 vs 0.457),标准性判定准确率亦均高于2 名医师(0.755 vs 0.662 vs 0.605),这得益于Transformer 结构能精准识别不同尺寸的解剖结构(从主肺动脉到细小气管)。高年资医师对11 种胎儿超声心动图切面类型和标准性判断出现错误的切面主要包括Duarch、RVOT、3VV、3VT、LVOT 等,这些切面和相关切面具有高度的相似性,容易判断错误,另外不同机构医师因遵循指南差异(5 切面vs 9 切面或11 切面),对部分切面熟悉度不足导致判断不一致。
质量控制效率方面,心脏智能质控模型单图识别仅需0.028 s,是超声医师速度的134.6 倍。对基础4CH 切面的判断速度更是人工的85.7 倍。临床中受胎儿运动等因素影响,实际采集图像常远超11 张(低年资医师可能留存90 张以上图像),人工筛选耗时耗力,尤其对于RVOT、3VV 等复杂切面,易出现判断分歧。医师人工质量控制一般仅能判定切面标准性与切面类型的对与错,而心脏智能质控模型能够指出切面的具体缺陷在哪里,如4CH 切面中缺失左心室、右心室等结构或比例失调,这对新手培训具有重要意义。
融合Transformer 的心脏智能质控模型可高效准确地识别胎儿心脏超声切面,识别精度达专家水平,速度为人工评估的134.6 倍,大幅提升了质量控制效率。但在临床实践中,静态图像无法替代动态评估,实时抓取标准切面小视频将是未来的研究方向。
1
Garcia-Canadilla P, Sanchez-Martinez S, Crispi F, et al.Machine learning in fetal cardiology: what to expect [J].Fetal Diagn Ther,2020, 47(5): 363-372.

2
Gómez Montes E, Herraiz I, Mendoza A, et al.Fetal intervention in right outflow tract obstructive disease: selection of candidates and results [J].Cardiol Res Pract, 2012, 2012: 592403.

3
宋书豪, 曾施.应用深度学习模型分类正常胎儿心脏超声切面 [J].中国医学影像技术, 2025, 41(1): 70-73.

4
陈雯雯, 朱业, 张易薇, 等.深度学习模型用于自动分类超声心动图切面 [J].中国医学影像技术, 2024, 40(8): 1124-1129.

5
成汉林, 史中青, 戚占如, 等.基于深度学习的超声心动图动态图像切面识别研究 [J/OL].中华医学超声杂志(电子版), 2024, 21(2):128-136.

6
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/OL].中华医学超声杂志(电子版), 2023, 20(1): 113-117.

7
李胜利, 秦越, 谭光华, 等.医学超声人工智能的应用与挑战 [J/OL].中华医学超声杂志(电子版), 2023, 20(1): 1-5.

8
Pu B, Wang L, Yang J, et al.M3-UDA: a new benchmark for unsupervised domain adaptive fetal cardiac structure detection [C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.2024: 11621-11630.

9
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.

10
Abdi AH, 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.

11
Abdi AH, Luong C, Tsang T, et al.Quality assessment of echocardiographic cine using recurrent neural networks: feasibility on five standard view planes [C]//Medical Image Computing and Computer Assisted Intervention - MICCAI 2017.Cham, 2017: 302-310.

12
Pu B, Li K, Li S, et al.Automatic fetal ultrasound standard plane recognition based on deep learning and IIoT [J].IEEE Trans Industr Inform, 2021, 17(11): 7771-7780.

13
Pu B, Lu Y, Chen J, et al.Mobileunet-fpn: a semantic segmentation model for fetal ultrasound four-chamber segmentation in edge computing environments [J].IEEE J Biomed Health Inform, 2022,26(11): 5540-5550.

14
Pu B, Zhu N, Li K, et al.Fetal cardiac cycle detection in multiresource echocardiograms using hybrid classification framework [J].Future Generation Computer Systems, 2021, 115: 825-836.

15
Lu Y, Li K, Pu B, et al.A YOLOX-based Deep Instance Segmentation Neural Network for Cardiac Anatomical Structures in Fetal Ultrasound Images [J].IEEE/ACM Trans Comput Biol Bioinform, 2022, 21(4):1007-1018.

16
Shan A, Lv J, Zhu H, et al.Fetal heart and descending aorta detection in four-chamber view of fetal echocardiography [J].Annu Int Conf IEEE Eng Med Biol Soc, 2021, 2021: 2722-2725.

17
American Institute of Ultrasound in Medicine.AIUM practice guideline for the performance of fetal echocardiography [J].J Ultrasound Med, 2013, 32(6): 1067-1082.

18
International Society of Ultrasound in Obstetrics and Gynecology,Carvalho JS, Allan LD, et al.ISUOG Practice Guidelines (updated):sonographic screening examination of the fetal heart [J].Ultrasound Obstet Gynecol, 2013, 41(3): 348-359.

19
Chinese standard for fetal echocardiography [J].Chin J Ultrasonogr,2015, 24(11): 921-926.

20
Abdi AH, 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.

21
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.

文章导航

/


AI


AI小编
你好!我是《中华医学电子期刊资源库》AI小编,有什么可以帮您的吗?