基于迁移学习的DeepLabV3–UNet3+混合模型，用于自动测量胎儿头围

《Biomedical Signal Processing and Control》：A transfer learning ? based DeepLabV3–UNet3+ hybrid model for automated fetal head circumference measurement

提出一种基于DeepLabV3和UNet3+的混合深度学习模型，用于自动检测胎儿头围，在无需数据增强和复杂预处理的情况下，实现97.83%的Dice相似系数，训练时间约20分钟，兼具高精度和计算效率。

　　

?zge Pekdemir|Baki Karab?ce|Hayriye Korkmaz

土耳其伊斯坦布尔马尔马拉大学电气与电子工程系，邮编34854

摘要

胎儿头围（HC）测量是评估妊娠期间胎儿发育的重要参数。然而，由于超声图像的特性，手动测量方法存在依赖专家和测量结果不一致等问题。在这项研究中，我们提出了一种基于迁移学习的混合深度学习模型，该模型结合了基于ResNet-50的DeepLabV3网络和UNet3+架构，能够自动且准确地从超声图像中检测胎儿头围。通过对HC18数据集的分析，该模型取得了97.83%的Dice相似系数（DSC）、0.67 ± 2.62毫米的差异（DF）、1.96 ± 1.86毫米的绝对差异（AD）和1.30 ± 0.79毫米的Hausdorff距离（HD），表明分割成功率直接体现在测量精度上，并且可以与文献中的现有方法相媲美。值得注意的是，该模型无需数据增强或复杂的预处理/后处理步骤即可实现这一性能，训练时间仅约为20分钟，显示出实际效率和降低的计算开销。最终的头围测量是通过仅对分割结果进行椭圆拟合得到的。所提出的方法可以作为胎儿超声图像分割和头围测量的可靠有效工具。

引言

妊娠过程是一个需要定期监测的时期，以评估母亲和胎儿的健康状况。

在这一过程中，超声检查作为一种非侵入性、成本效益高且可靠的成像方法脱颖而出。超声检查被广泛用于监测胎儿的发育、检测异常情况并准确确定妊娠年龄[1]。从超声图像中获得的测量数据对于监测妊娠过程、评估胎儿生长和检测可能的健康问题非常重要。在这些生物测量指标中，胎儿头围（HC）具有特殊的重要性。胎儿头围的生长模式在妊娠不同阶段有所不同，妊娠分为三个阶段：第一阶段（0-13周）、第二阶段（14-27周）和第三阶段（≥28周）。使用正确的测量方法有助于健康监测胎儿的发育[2]。特别是在怀疑头部生长异常时，头围测量是评估胎儿健康最有效的方法之一。尽管这些测量传统上是在超声图像上手动进行的，但存在一些限制，如测量时间长、重复性问题和操作者依赖性[3]。为了克服这些限制，使测量过程更快、更准确和更一致，自动分割方法的研究取得了显著进展。尽管超声图像中存在声学阴影和斑点噪声等因素，深度学习技术在自动化测量过程中具有巨大潜力。本文提出了一种用于超声图像中胎儿头围自动分割的深度学习方法。

本工作的主要贡献如下：

•

提出了一种新的混合深度学习框架，用于超声图像中的胎儿头围分割，该框架基于DeepLabV3和UNet3+的串联和互补集成，在低对比度条件下结合了上下文特征提取和边界细化。

•

所提出的方法可以直接在原始超声图像上进行准确的分割，无需数据增强或预处理/后处理步骤，同时保持了较短的训练时间，从而降低了计算开销和实现复杂性。

相关工作

相关研究

由于头围测量对临床诊断和胎儿健康监测至关重要，因此在这一领域开发了许多算法。早期的研究主要集中在基于模型的方法上，旨在检测超声图像中胎儿头部的几何特征。随机霍夫变换（Random Hough Transform）被广泛用于圆形结构的检测，并在低对比度图像中表现出良好的鲁棒性[4]。基于主动轮廓和能量最小化的方法进一步改进了形状检测

方法

本文提出了一种两阶段方法用于胎儿颅骨分割和头围测量，如图1所示。在第一阶段，开发了一个由DeepLabV3（ResNet50）和UNet3+组成的混合模型，从二维超声图像中生成高精度的分割掩膜。在第二阶段，从混合模型生成的分割掩膜中提取胎儿颅骨的轮廓，然后使用获得的参数拟合最合适的椭圆

数据集

本研究使用在荷兰奈梅亨拉德布德大学医学中心妇产科收集的开放访问数据集进行了回顾性分析，该数据集是在HC18 Grand Challenge框架下发布的[23]（https://hc18.grand-challenge.org/）。超声图像由经验丰富的超声技师使用通用电气Voluson E8和Voluson 730设备获取。共收集了571名孕妇的1334张超声图像

结果

将提出的结合DeepLabV3和UNet3+的混合模型与UNet、UNet3+、nnUNet、DeepLabV3和TransUNet进行了比较。使用Dice相似系数（DSC）、差异（DF）、Hausdorff距离（HD）和绝对差异（AD）的定量分析表明，所提出的模型在所有评估指标上都表现更优。

如表2所示，所提出的混合模型在所有比较方法中获得了最高的DSC值，为97.83 ± 1.33%。与

讨论

提出了一种基于迁移学习的混合深度学习算法用于胎儿头围分割。在所提出的模型中，将预训练了ResNet-50权重的DeepLabV3网络集成到UNet3+模型的输入中。通过这种设计，DeepLabV3捕获了大范围的上下文信息并提取了高级特征，而UNet3+则实现了更精确的分割和更好的细节表现。测试结果表明，所提出的模型取得了较高的

结论

本文提出了一种基于迁移学习的混合模型，结合了DeepLabV3和UNet3+架构，证明了该模型可以在没有额外预处理或后处理技术以及不使用数据增强的情况下，利用有限的数据实现高精度。所提出的模型在DSC值为97.83%的情况下，与文献中的许多方法具有竞争力。较低的DF和HD值表明该模型能够成功检测胎儿头围

伦理声明

本研究使用的数据来自公开可用的HC18 Grand Challenge数据集。没有从人类参与者那里收集新的数据，因此不需要伦理批准和知情同意。

CRediT作者贡献声明

?zge Pekdemir：撰写——原始草稿。Baki Karab?ce：撰写——审阅与编辑。Hayriye Korkmaz：撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。