学位论文简介

胎儿生长受限(FGR)是一种常见但严重的妊娠并发症，对胎儿和母亲的健康都存在潜在的风险，是导致围产儿死亡的第二大原因。超声评估是诊断FGR的关键手段，但受医生主观经验和技术差异影响，流程耗时且标准化程度较低。本研究旨在使用自动化技术实现FGR辅助筛查，准确评估胎儿生长状况并减轻医生工作量。研究内容包括自动识别标准切面、关键解剖结构检测、多个胎儿生物特征测量以及系统应用的开发。

(1) 融合临床先验知识图的胎儿超声标准切面识别算法，采用基于多任务学习检测框架，将复杂的标准切面识别任务解耦为: 关键解剖结构检测和标准切面分类这两个相关任务，在胎儿颅脑临床数据集上进行广泛的实验验证。融合了临床先验知识形式的推理，以适应不同类型的超声切面中的视觉模式；实现了关键解剖结构检测与标准切面分类的语义一致性，提高了结果的准确性和可解释性。

(2) 基于全局上下文语义和局部拓扑关系的胎儿解剖结构检测算法，提出了一种胎儿解剖结构检测推理网络，在面向三级产科超声涵盖的 37 个关键解剖结构数据集上，具有优异的鲁棒性和准确性。有效捕捉解剖结构之间复杂的邻域信息，将视觉特征、上下文信息和空间位置关系结合到单阶段解剖检测框架中；对小尺度、相似和模糊的解剖结构，避免一些偏离解剖学规范的检测错误。

(3) 端到端胎儿头围自动测量算法，提出了端到端的头围回归网络，不依赖于分割和拟合等中间步骤；在公共数据集和临床数据集上进行了广泛实验，取得了显著效果。设计了一个基于像素的椭圆回归损失函数，可直接回归头部中心、BPD、OFD 和旋转角度等 4 个头围参数，为未来头围测量无需依赖人工注释的大规模超声分割数据集提供了可能性。

(4) 基于CNN和Transformer混合框架的生物特征异常辅助监测算法，将丰富的上下文建模和语义关系挖掘相结合，以解决胎儿多解剖结构分割和生物特征测量任务。在公开和临床数据集上进行了大量的实验，我们的方法在七个评估指标上达到了最先进的性能。不同于以往的单尺度注意，利用多尺度自注意和交叉注意力对语义关系和特征增强进行建模；设计了一种边界感知解码器，弥补了 Transformer 在提取局部特征方面的不足；通过知识蒸馏，所提出的方法可以创建一个更紧凑、更高效的模型，在资源受限的场景下具有较高的部署潜力。

主要学术成果

[1] Lei Zhao, Guanghua Tan, Bin Pu, et al. TransFSM: Fetal Anatomy Segmentation and Biometric Measurement in Ultrasound Images Using a Hybrid Transformer[J]. IEEE Journal of Biomedical and Health Informatics, 2023, doi: 10.1109/JBHI.2023.3328954. (第一作者,SCI, IF: 7.7).

[2] Lei Zhao, Kenli Li, Bin Pu, et al. An ultrasound standard plane detection model of fetal head based on multi-task learning and hybrid knowledge graph[J]. Future Generation Computer Systems, 2022, 135: 234-243. (第一作者, SCI, IF: 7.5)

[3] Lei Zhao, Ningshu Li, Guanghua Tan, et al. The End-to-end Fetal Head Circumference Detection and Estimation in Ultrasound Images[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2022, doi: 10.1109/TCBB.2022.3227037. (第一作者, SCI, IF: 4.5).