基于U-Net与多尺度特征融合及注意力机制的胎儿颈项透明层超声图像自动分割方法

《Scientific Reports》：Deep learning-based method for recognition and segmentation of nuchal translucency in early pregnancy

　　

摘要

颈项透明层（NT）是指胎儿颈部区域皮下液体的积聚。NT的厚度与胎儿染色体异常和结构缺陷呈正相关。NT测量是孕早期的一项重要筛查方法，但常常受到超声图像中斑点噪声、边界模糊及其他成像伪影等挑战的阻碍。对NT区域进行手动标注和测量对于临床专家来说费时费力，尤其是考虑到NT区域在整个超声图像中仅占很小的一部分。准确地提取NT区域，特别是在存在噪声和弱边缘的情况下，仍然是一个重大挑战。本文基于经典且有效的U-Net架构，提出了一种适用于该任务的NT区域分割方法，融合了多尺度特征融合（MSFF）和注意力机制以增强特征选择性。所提出的方法能够对超声图像中的NT区域进行鲁棒且自动化的分割，为后续的NT厚度测量提供了可靠的基础。与评估方法相比，所提出的方法在NT数据集上取得了具有竞争力的整体性能，交并比（IoU）达到75.76%，Dice相似度系数（DSC）达到85.51%。与现有方法相比，我们的方法展现了更优越的分割精度，能够精确地勾画NT区域。这一进展在染色体异常及相关疾病的早期产前筛查方面具有重大潜力，有助于提升孕早期管理中的临床决策水平。