深度学习在早期妊娠中用于从3D超声图像自动分割妊娠囊和卵黄囊

《Scientific Reports》：Deep learning for automatic segmentation of the gestational sac and yolk sac from 3D ultrasound in early pregnancy

　　

摘要

目前，妊娠早期使用二维超声进行标准手动测量的结果受操作者影响较大，并且存在测量者间及测量者内的变异，尤其是对于非球形的妊娠囊而言。这会导致诊断不确定性、需要长期随访以及患者焦虑。多项研究提出了基于二维超声的妊娠囊自动标准平面选择和分割模型。然而，这些方法并不能消除由于妊娠囊形状自然差异造成的变异。随着三维超声在临床领域的应用日益普及，一种自动化的三维体积测量方法将对患者和临床医生产生积极影响，体现在重复性、准确性和易用性方面。在这项研究中，我们使用nnU-Net框架训练深度学习模型，对42名通过辅助生殖技术怀孕的女性的三维超声图像中的卵黄囊和妊娠囊进行自动分割和体积测量，以初步评估这种方法的可行性。最佳模型的表现与人类测量者的测量结果相似：妊娠囊的分割准确率为92.2%（与手动测量结果92.8%相当），而卵黄囊的分割准确率较低，为84.3%（与手动测量结果92.8%相比）。估计的体积和直径与专家的体积测量结果更为一致，其组内相关系数（ICC）从0.83提高到了0.99（妊娠囊），卵黄囊的ICC分别为0.64和0.68。这些结果表明，自动化三维体积测量作为一种有前景的替代方法具有可行性。该方法有望缩短检查时间，促进对妊娠早期发育的新研究，并在未来减少导致妊娠早期长期随访的诊断不确定性。