编辑推荐：
髋关节发育不良（DDH）早期诊断对治疗意义重大，传统格拉夫法却存在依赖操作人员、测量易变的问题。研究人员开展基于深度学习网络等技术诊断 DDH 的研究，发现 MobileNetV2 在分割精度等方面表现优异，该框架有望推动 DDH 诊断自动化。
髋关节发育不良（Developmental dysplasia of the hip，DDH）是一种常见的新生儿疾病，早期诊断对确保有效治疗至关重要。传统的格拉夫（Graf）方法虽广泛用于通过超声评估婴儿髋关节，但受操作人员依赖性和测量变异性的限制。
本研究提出了一种利用深度学习网络、形态学运算和局部极大值法，基于超声图像诊断新生儿 DDH 的框架。该方法采用 DeepLabv3 + 进行图像分割，评估多种骨干网络架构（ResNet50、InceptionResNetV2、MobilenetV2 和 Xception），以准确识别感兴趣区域。利用局部极大值法确定定义格拉夫角的直线的极值点，并应用均值、中值和维纳（Wiener）等去噪滤波器，准确确定局部极大值点。
评估分为两个阶段：第一阶段，评估 DeepLabv3 + 骨干网络在生成用于确定格拉夫角的掩码方面的性能；第二阶段，将通过该框架获得的角度与专家放射科医生确定的角度进行比较。对比分析表明，MobilenetV2（准确率 94.64、Cohen's kappa 系数 86.99、F分数 94.31）在分割精度和测量可靠性方面优于其他模型。准确率、交并比（IoU）、峰值信噪比（PSNR）、F分数、结构相似性指数（SSIM）、Cohen's kappa 系数，以及组内相关系数和布兰德 - 奥特曼（Bland–Altman）分析等关键性能指标，都支持这一结论。
该框架在实现髋关节超声分析自动化以诊断 DDH 方面前景可观，既能最大程度减少对操作人员的依赖，又能提高测量的一致性。
