基于空洞空间金字塔池化与椭圆拟合的胎儿头围自动测量模型：多尺度特征聚合分割新方法

《Biomedical Signal Processing and Control》：Atrous spatial pyramid pooling assisted automatic segmentation model and ellipse fitting approach based fetal head segmentation and head circumference measurement

本研究针对超声影像中胎儿头围(HC)测量存在的形状捕捉不精准问题，开发了基于空洞空间金字塔池化(ASPP)的多尺度特征聚合自动分割模型(ASPPA-MSFAAS)，通过ASPP-MSFEM模块整合多尺度特征，结合注意力机制实现99.12% DSC的精准分割，为临床胎儿发育评估提供自动化解决方案。

在产科临床实践中，胎儿头围(HC)测量是评估胎儿发育的关键指标，但传统超声测量方法受限于操作者经验与图像质量，常出现颅骨边缘界定模糊、测量误差大等问题。尤其对于宫内生长受限(IUGR)等病理情况，毫米级误差可能影响临床决策。现有基于CNN的分割模型如U-Net虽有一定效果，但存在感受野单一、细节丢失等缺陷，难以平衡全局与局部特征。

为解决这一难题，研究人员开发了空洞空间金字塔池化辅助的多尺度特征聚合自动分割模型(ASPPA-MSFAAS)。该模型创新性地融合了三个核心模块：采用不同膨胀率的空洞卷积(Atrous Convolution)构建ASPP-MSFEM模块捕获多尺度特征；通过注意力机制(SimAM-MSAM)强化关键区域；最后用椭圆拟合算法提取HC参数。研究使用HC18挑战赛数据集和国立医学图书馆大规模标注数据集验证，DSC达99.12%±0.6，HD(豪斯多夫距离)仅1.287像素，显著优于传统方法。

关键技术包括：1) 基于改进ResNet50的四层架构降低计算成本；2) ASPP模块集成1×1、3×3(膨胀率6/12/18)多分支卷积；3) 后处理采用形态学平滑与最小二乘椭圆拟合。实验表明，该模型对边缘模糊、低对比度超声图像具有强鲁棒性，其多尺度特征学习能力使HD指标比现有最佳模型降低32%。

研究结果部分显示：

1. 模型架构优化：仅保留ResNet50前四层，参数量减少41%的同时维持98.99% DSC；
2. 多尺度特征整合：ASPP-MSFEM模块使MIoU(平均交并比)提升至99%±1.99；
3. 临床验证：在孕晚期复杂病例中，椭圆拟合误差<0.334 ASD(平均对称表面距离)。

结论指出，该研究首次将ASPP与注意力机制协同应用于胎儿超声分割，其自动化流程可替代90%人工测量工作。未来可扩展至三维超声体积测量，为智能产科诊断提供新范式。论文发表于《Biomedical Signal Processing and Control》，为医学图像分析领域树立了新的技术标杆。