通过原型网络和少样本学习技术在超声成像中改进胎儿平面分类

《Journal of Imaging Informatics in Medicine》：Enhanced Fetal Plane Classification in Ultrasound Imaging via Prototypical Networks and Few-Shot Learning

胎儿超声图像分类中提出原型网络与VGG19结合的FSL-VGG19框架，解决标注数据不足及类别不平衡问题。在三个数据集上五折交叉验证准确率分别达96.88%、97.80%和94.38%，较传统CNN提升1.1-24.4%，经统计检验显著优于基线。K-shot分析显示样本数与准确率正相关（差异30.9%）。该框架仅需传统方法十分之一标注数据，适用于资源有限临床环境。

　　

摘要

标准的胎儿平面超声图像是产前诊断中最基本的工具，但由于标记数据的稀缺以及类别分布的不平衡，这些图像的自动化分类非常困难。我们提出了一个数据效率高的框架，该框架结合了一个原型网络和VGG19特征提取器（FSL-VGG19）来进行少量样本学习，并将其与四种经典的卷积神经网络（CNN）进行了比较：MobileNetV2、ResNet50、VGG16和VGG19。这些比较是在三个公开可用的胎儿超声数据集上进行的：Maternal–Fetal、FPSU 23和Africa。模型选择采用了五折交叉验证方法。FSL-VGG19在Maternal–Fetal、FPSU 23和Africa数据集上的准确率分别为96.88%、97.80%和94.38%，比所有经典的CNN基线模型高出1.1%至24.4个百分点。这些性能排名通过非参数Friedman检验被证明在统计上是显著的（p<0.05），并且Nemenyi事后检验进一步确认了FSL-VGG19相对于基线的优越性在统计上也具有显著性。敏感性分析显示，K样本量与准确率之间存在显著的正相关关系，在Maternal–Fetal数据集中，一次样本学习和十次样本学习之间的准确率差异为30.9%。我们的框架使用数量少得多的标记图像，却取得了与最新最先进方法相当的结果。所提出的少量样本学习架构最小化了注释瓶颈和类别不平衡的影响，提供了稳健且泛化的胎儿平面分类能力，特别适用于资源匮乏的临床环境。