胎肺发育不良常会令胎儿在出生时引发严重的呼吸窘迫,甚至造成新生儿死亡.胎肺容积测量是临床上无创评估肺成熟度的一项重要手段,但现有的胎肺容积测量方法误差大、过程繁琐、耗时长且临床实用性差.本研究基于3D-nnUnet提出一种高效稳...胎肺发育不良常会令胎儿在出生时引发严重的呼吸窘迫,甚至造成新生儿死亡.胎肺容积测量是临床上无创评估肺成熟度的一项重要手段,但现有的胎肺容积测量方法误差大、过程繁琐、耗时长且临床实用性差.本研究基于3D-nnUnet提出一种高效稳定的胎肺自动分割和测量方法,利用网络对胎肺数据的自适应,有效克服图像组织对比度低和边缘模糊问题,实现了三维超声胎肺的精确分割.针对胎肺超声图像在不同孕周差异大,以及样本数分布极不均衡的问题,提出利用困难样本聚焦和简单样本惩罚(hardmining and easy-penalized,HMEP)损失来提升模型的泛化能力和稳定性.与二维最优分割网络DeepLab V3+和3D-Unet分割结果相比,基于3D-nnUnet的分割网络性能最佳,分割准确率高达85.7%;HMEP损失能够使3D-nnUnet模型专注地学习少数困难样本,将分割准确率提升近2%;分割模型在不同孕周的数据上所测得胎肺容积和医生手动勾画的胎肺容积经一致性检验无显著的统计学差异.实验结果表明,该方法可高效实现三维超声胎肺的自动精确分割和容积测量,具有良好的稳定性和泛化能力,可避免以往胎肺容积测量方法繁琐耗时、误差较大的问题,在诊断胎肺发育状况及评估肺成熟度方面有较好的应用前景.展开更多
文摘胎肺发育不良常会令胎儿在出生时引发严重的呼吸窘迫,甚至造成新生儿死亡.胎肺容积测量是临床上无创评估肺成熟度的一项重要手段,但现有的胎肺容积测量方法误差大、过程繁琐、耗时长且临床实用性差.本研究基于3D-nnUnet提出一种高效稳定的胎肺自动分割和测量方法,利用网络对胎肺数据的自适应,有效克服图像组织对比度低和边缘模糊问题,实现了三维超声胎肺的精确分割.针对胎肺超声图像在不同孕周差异大,以及样本数分布极不均衡的问题,提出利用困难样本聚焦和简单样本惩罚(hardmining and easy-penalized,HMEP)损失来提升模型的泛化能力和稳定性.与二维最优分割网络DeepLab V3+和3D-Unet分割结果相比,基于3D-nnUnet的分割网络性能最佳,分割准确率高达85.7%;HMEP损失能够使3D-nnUnet模型专注地学习少数困难样本,将分割准确率提升近2%;分割模型在不同孕周的数据上所测得胎肺容积和医生手动勾画的胎肺容积经一致性检验无显著的统计学差异.实验结果表明,该方法可高效实现三维超声胎肺的自动精确分割和容积测量,具有良好的稳定性和泛化能力,可避免以往胎肺容积测量方法繁琐耗时、误差较大的问题,在诊断胎肺发育状况及评估肺成熟度方面有较好的应用前景.
