利用轻量级CNN注意力机制深度学习架构实现超声胎儿平面分类的高效特征提取

推荐 为解决产科医生在超声胎儿平面分类（FPC）中面临的挑战，研究人员基于预训练的轻量级EfficientNet骨干网络，结合注意力机制和三层感知机分类器，提出了一种高效AI架构。该模型在Top-1准确率（96.25%）、Top-2准确率（99.80%）和F1分数（0.9576）上表现优异，且参数量减少40倍，可部署于边缘设备辅助实时诊断。

　　

翻译
超声胎儿成像在支持产前发育方面具有重要价值，因其经济且无创。然而，由于依赖细微的临床特征，胎儿平面分类（Fetal Plane Classification, FPC）对产科医生而言仍具挑战性且耗时，这增加了识别胎儿解剖结构关键特征的难度。为此，提出了一种轻量级人工智能架构，通过结合卷积神经网络（Convolutional Neural Networks, CNN）和注意力机制，对最大的超声数据集基准进行分类。该方法基于在ImageNet1k上预训练的轻量级EfficientNet特征提取骨干网络进行微调，用于分类脑部、股骨、胸腔、宫颈和腹部等关键胎儿平面。研究方法整合了注意力机制以优化特征，并采用三层感知机（Perceptron）进行分类，在Top-1准确率（96.25%）、Top-2准确率（99.80%）和F1分数（0.9576）方面表现卓越。值得注意的是，该模型的可训练参数量比现有基准集成或Transformer管道少40倍，便于部署于边缘设备，助力临床医生实现实时FPC。此外，研究结果通过梯度加权类激活映射（GradCAM）进行解读，以开展临床相关性分析，辅助医生诊断并改善孕妇的治疗方案。