近日，暨南大学信息科学技术学院、暨南大学第一附属医院（华侨医院）、广州市妇女儿童医疗中心，中山大学第三附属医院，联合全球多所知名高校与医疗机构完成的最新研究成果《Beyond Benchmarks of IUGC: Rethinking Requirements of Deep Learning Method for Intrapartum Ultrasound Biometry from Fetal Ultrasound Videos》在医学影像领域国际权威期刊Medical Image Analysis（IF=11.8）发表。该研究在前期产时超声智能测量国际基准研究基础上，进一步深挖母胎超声视频的临床价值，首次构建了面向临床应用的产时超声视频多任务自动测量框架，为解决资源匮乏地区超声专业人员短缺、分娩进展评估效率低等临床痛点提供了全新的深度学习解决方案，推动智能围产保健技术向更贴近临床的视频分析方向迈进。陆尧胜教授与郑峥主任为该研究共同通讯作者。

据世界卫生组织相关数据显示，全球每年约有28.7万例孕产妇死亡、240万例新生儿死亡和190万例死产，其中45%的悲剧发生在分娩阶段，中低收入国家受此影响尤为严重。产时超声生物测量是监测分娩进展的关键手段，其核心指标角度进展度（AoP）和头耻距（HSD）能有效预测分娩结局、降低不必要剖宫产率，但传统人工评估方式不仅耗时费力、易受主观因素影响，还依赖专业超声医师的操作，在医疗资源有限地区难以普及。同时，产时超声视频存在的图像伪影、胎体动态运动、解剖结构变形等问题，也为自动化分析带来了巨大技术挑战。为攻克上述难题，陆尧胜教授团队联合奥克兰大学、悉尼大学、牛津大学、穆罕默德本扎耶德人工智能大学等全球数十家机构，依托MICCAI 2024 Intrapartum Ultrasound Grand Challenge（IUGC）挑战赛，开展了基于产时超声视频的分娩进展评估深度学习分析系统性研究。研究团队构建了目前全球规模最大的多中心产时超声视频数据集，该数据集涵盖来自3家医院的774段视频（含68106帧图像），均为经会阴采集的分娩期母胎超声影像，严格遵循国际妇产超声学会（ISUOG）采集规范，同时设置了明确的纳入与排除标准，保证了数据的临床代表性和可靠性。

文章发表页面截图

基于该数据集，研究团队创新设计了融合标准平面分类、胎头-耻骨联合分割、生物参数测量的多任务自动测量框架，实现了从超声视频中端到端的分娩进展关键指标提取。该框架突破了传统单张超声图像分析的局限性，充分挖掘视频的时空特征，让算法能够利用多维度时空互补信息，显著提升分娩进展评估的准确性和鲁棒性。本次挑战赛吸引了全球18个国家的126支团队注册参与，最终16支团队完成有效提交，研究团队对其中8支顶尖团队的算法方案进行了全面剖析，从预处理、数据增强、学习策略、模型架构、后处理五个维度展开系统性研究，深入挖掘了不同深度学习方法在产时超声视频分析中的优势与不足。研究结果显示，最优算法在标准平面分类、胎头-耻骨联合分割及AoP、HSD测量等任务上展现出优异性能，其中分割任务的骰子相似系数（DSC）达0.8857，AoP测量绝对误差低至9.1557°，HSD测量绝对误差仅10.3878 mm，部分指标已接近资深临床超声医师水平。同时，研究团队通过大量对照实验，明确了一系列提升算法性能的关键策略：在预处理阶段，图像尺寸归一化和对比度增强能有效降低数据复杂度；数据增强方面，结合几何变换与强度调整的复合策略可使模型准确率提升约24%；模型架构上，Video Swin Transformer等视频专用网络能更好捕捉时空特征，Segment Anything Model（SAM）在分割和参数测量任务中表现出显著优势；后处理阶段，直接基于分割轮廓提取关键点的方式，比椭圆拟合更适合动态的产时超声影像分析。

IUGC 2024基于超声视频的分娩进展评估流程示意图

此外，研究团队还针对临床实际应用中的关键问题展开深入探究。通过对不同医院、不同超声设备采集的数据进行分层分析，发现算法在跨设备、跨中心场景下的鲁棒性仍有提升空间，为后续域自适应学习、多源数据融合等研究指明了方向；通过评估三位资深医师的人工标注一致性，明确了产时超声测量的固有临床难度，为算法性能评估设定了更贴合实际的参考标准；通过对比两阶段训练与端到端训练、图像基分析与视频基分析等不同范式，证实了视频基端到端多任务学习范式是未来产时超声自动化分析的重要发展方向。

该研究得到了国家自然科学基金、广东省自然科学基金、广州市重点研发计划、欧盟 “地平线欧洲” 计划等多个项目的联合资助。

论文链接：https://www.sciencedirect.com/science/article/pii/S136184152600112X