基于联邦学习与多结构分割的胎儿异常检测新框架FB-SeUNet++：实现99.4%准确率的产前诊断突破

本综述系统性地提出了一种融合联邦学习与增强型U-Net++架构的胎儿异常检测框架FB-SeUNet++。通过集成多尺度深度卷积（DSDW）、小波池化与视觉鹰眼注意力机制，实现了对胎儿头部（HC/BPD）、腹部（AC）、股骨（FL）等关键区域的高精度分割（Dice=0.99）。结合曲率最小二乘法与Zhang-Suen细化算法提取生物特征参数，在保护患者隐私的前提下显著提升了对复杂异常（如神经管缺陷、心脏畸形）的检测效能。

　　

Highlight

• •
  动态上下文感知U-Net++架构实现多尺度分割：通过整合多样化尺度深度卷积（DSDWC）与MobileNetV3编码器，结合小波池化技术，显著提升了对细微解剖结构（如脑室）和大型区域（如腹部）的分割精度。该设计能自适应不同孕周特征，有效识别小头畸形与脑积水等异常。
• •
  视觉鹰眼注意力增强分割效能：创新性采用双层注意力机制——浅层凹槽注意力（SFA）专注于颅骨、胸腔等精细结构的边缘加权，深层凹槽注意力（DFA）通过边界感知重校准强化多尺度结构一致性，全面提升复杂解剖区域的分割鲁棒性。
• •
  生物特征算法推动异常检测革新：运用曲率最小二乘法与Zhang-Suen细化算法，精准提取头围（HC）、股骨长度（FL）、双顶径（BPD）、腹围（AC）等关键参数，大幅提升对骨骼发育异常和心脏畸形的筛查灵敏度。
• •
  实时适应演变的临床需求：通过联邦学习框架实现多医疗中心的去中心化协同训练，无需共享原始数据即可持续优化模型性能。该架构支持对早期脑部异常、高风险妊娠及罕见病例的快速适配，契合隐私保护的临床实践要求。

Conclusion

FB-UNet++作为新型胎儿生物特征分割模型，通过整合动态上下文感知架构、小波池化与视觉鹰眼注意力，实现了产前实时诊断精度的突破。联邦学习框架的引入使模型能够泛化至多样化数据集，同时严格保障患者隐私。实验表明，该模型在Dice系数（0.99）和准确率（99.4%）上超越现有方法4–6%，为资源有限诊所提供了可扩展、高精度的自动化诊断解决方案。