基于深度学习的羊水指数自动超声评估

基于深度学习的羊水指数自动超声评估

羊水 (AF，Amniotic fluid)对胎儿发育是必不可少的，因为羊水是促进肺部成熟、胃肠发育和肌肉骨骼系统发育所必需的。羊水量(AFV，Amniotic fluid volume)在500-2000毫升范围外即为异常，是胎儿监护的重要组成部分。超声(US，Ultrasound)被广泛用于非侵入性测量AFV，测量AFV通常采用四象限羊水指数(AFI，Am- niotic fluid index，详见名词解释1) （图1）或单深垂直袋(SDP，Single Deep Vertical pocket)技术。此研究旨在通过提供一种自动测量 AFI 的方法来解决例如US图像中存在混响伪影、AF 模拟区域漂浮物等问题。此外，由于AFI显示图像包含多种形状和大小，因此US图像还存在缺失或不完整结构边界的问题，想要同时保持一定的精度水平是非常困难的。

本实验，使用韩国首尔延世大学医学院妇产科255例患者的435幅US图像，其中155例患者的310幅US图像作为训练集，100例患者的125幅图像作为测试集。

AF-Net（图2）采用以零为中心的正态分布权重，标准差为0.01。使用AdamOptimizer最小化成本函数，初始学习率为0.001，批次归一化每个时期的小批次大小为4。为了获得更好的性能，还使用了“Poly”学习速率策略，其中每个时期的学习速率是通过乘以功率与初始学习速率的乘积来选择的，其中数据增强能力Power=0.9。为了评估分割结果的质量，选择Dice、精密度、敏感度和特异性，等参数进行测试评估。并将AF-Net结果与标准U-Net和M-Net进行了比较。

结果表明（图3），AF-Net显著提高了灵敏度（0.873）的同时，Dice分数（0.877）、精确性（0.898）、特异性（0.994）上均取得了和标准U-Net、M-Net相似的结果。但在实际效果上AF-Net对于AF边界的识别是明显优于其他网络的（图4）。

由于US图像上AF形态不一致，为了评估AFI测量的质量，使用了以下评估指标：绝对误差(dAb)和相对误差(dRe)由下式定义：

其中，x和l分别是输入US图像和对应的AFI真值。AF-Net具有最小（图5）的平均误差（3.131）和标准偏差（3.171），AF-Net提供了更稳健的AFI测量结果。

实验首次提出了一种基于深度学习的US图像AFI自动评价方法。这项任务极具挑战性，因为由于AF无定形特征和超声伪影(如混响、阴影、斑点、信号丢失)，准确分割AF是相当困难的，结果始终存在误差。未来的研究方向希望开发一种一致、准确和稳定的方法来克服误差，优化测量。