编辑推荐：
为解决资源有限国家超声诊断胎儿头异常（小头 / 大头畸形）中人员与设备不足问题，研究人员开发深度学习模型。用 SegNet 等模型分析超声图像，SegNet accuracy 达 98%，Dice 系数 0.97，优于专家，为产前诊断提供新路径。
在生命科学和健康医学领域，胎儿头部异常的早期精准诊断一直是备受关注的重要课题。小头畸形（Microcephaly）和大头畸形（Macrocephaly）作为两种严重的先天性标记，与发育和神经功能缺陷紧密相关，及时通过超声成像检测对于医疗干预至关重要。然而，像埃塞俄比亚这样的资源有限国家，面临着训练有素人员和诊断设备不足的问题，难以实现准确且持续的诊断。在此背景下，开展能够提升诊断效率和准确性的研究显得尤为迫切。
为了填补这一医疗诊断空白，来自埃塞俄比亚德布雷马科斯大学（Debre Markos University）的研究人员开展了关于利用深度学习从超声图像中检测胎儿头部异常的研究。该研究成果发表在《BMC Medical Imaging》上，为解决资源受限地区的产前诊断难题提供了新的思路和方法。
研究人员主要采用了以下关键技术方法：从埃塞俄比亚三家医疗设施收集超声图像以增加模型的通用性，收集时间为 2024 年 11 月 9 日至 30 日。对图像进行了增强、降噪、归一化等预处理技术。应用 SegNet、UNet、FCN、MobileNetV2 和 EfficientNet-B0 等模型对超声图像中的胎儿头部结构进行分割和测量，根据世界卫生组织（WHO）的胎龄指南将测量结果分类为小头畸形、大头畸形或正常，并将模型性能与现有行业专家进行比较，评估指标包括准确性、精确性、召回率、F1 分数和 Dice 系数。
模型性能比较与优化结果
在相同环境下对五种模型进行实验，SegNet 表现出最高的 Dice 系数 0.3270，显示出其 superior segmentation 性能，尽管初始准确性（0.7173）和精确性（0.7798）为中等水平。UNet 排名第二，Dice 系数为 0.2738，准确性为 0.7113。FCN 性能较差，Dice 系数仅为 0.0001，无法有效学习特征。MobileNetV2 和 EfficientNet-B0 虽然准确性较高（分别为 0.9652 和 0.9650），但 Dice 系数极低，表明分割掩码重叠存在严重问题。通过对 SegNet 进行系统优化，包括超参数调整、先进的数据增强和改进的损失函数，其整体准确性达到 98%，Dice 系数为 0.97，展现出卓越的性能。
分割结果与生物测量
SegNet 模型在从超声图像中分割胎儿头部边界方面表现出良好的性能，能够紧密接近真实掩码。从 SegNet 模型生成的分割掩码中提取头围（HC）和双顶径（BPD）等生物测量值，清晰的掩码边界凸显了 SegNet 模型在准确分割头部区域方面的优势，这对于识别小头畸形和大头畸形等异常至关重要。
与行业专家的比较
将模型与行业专家进行比较，在双顶径（BPD）测量中，模型的特异性为 89.3%，敏感性为 93.5%，准确性为 91.2%；在头围（HC）测量中，模型的特异性为 85.0%，敏感性为 94.2%，准确性为 92.5%。这些指标证实了该方法的稳健性和可靠性，为 BPD 和 HC 提供了接近专家水平的准确性。
模型原型
研究开发了用于该研究的网络应用程序，支持医疗专业人员从超声图像中分割胎儿头部并测量 HC 和 BPD 等重要参数。该应用程序使用先进的深度学习技术（SegNet 架构）通过 PyTorch 实现，能够将分割掩码叠加到原始图像上呈现分割的视觉结果，并通过程序计算 HC 和 BPD，根据预定义规则将测量结果分类为 “正常”“小头畸形” 或 “大头畸形”，还可生成详细报告。
这项研究表明，SegNet 是超声成像中胎儿头部分割、生物测量以及小头畸形和大头畸形分类的最先进模型。它解决了传统和现有方法的主要缺点，更新了该主题的准确性和鲁棒性基准。研究结果凸显了深度学习在产前诊断中的作用，对临床工作流程和患者结果产生积极影响。未来，随着进一步的研究和开发，SegNet 有望成为自动诊断系统的基石，推动产前护理的创新，并为医学成像的未来发展奠定基础。该研究为资源受限地区提供了一种可行的解决方案，有望提高全球产前护理的可及性和可靠性，对改善胎儿异常的早期检测和医疗干预具有重要的临床意义和应用前景。
