Accurate and Efficient Fetal Birth Weight Estimation from 3D Ultrasound
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Accurate fetal birth weight (FBW) estimation is essential for optimizing delivery decisions and reducing perinatal mortality. However, clinical methods for FBW estimation are inefficient, operator-dependent, and challenging to apply in cases of complex fetal anatomy. Existing deep learning methods are based on 2D standard ultrasound (US) images or videos that lack spatial information, limiting their prediction accuracy. In this study, we propose the first method for directly estimating FBW from 3D fetal US volumes. Our approach integrates a multi-scale feature fusion network (MFFN) and a synthetic sample-based learning framework (SSLF). The MFFN effectively extracts and fuses multi-scale features under sparse supervision by incorporating channel attention, spatial attention, and a ranking-based loss function. SSLF generates synthetic samples by simply combining fetal head and abdomen data from different fetuses, utilizing semi-supervised learning to improve prediction performance. Experimental results demonstrate that our method achieves superior performance, with a mean absolute error of $166.4\pm155.9$ $g$ and a mean absolute percentage error of $5.1\pm4.6$%, outperforming existing methods and approaching the accuracy of a senior doctor. Code is available at: https://github.com/Qioy-i/EFW.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
Où se fait cette recherche
-
Shenzhen University Health Science Center pays non établi dans la noticeUniversité ou école supérieure
-
Nantong University pays non établi dans la noticeUniversité ou école supérieure
-
Nantong Maternity and Child Health Hospital pays non établi dans la noticeÉtablissement de santé
-
Shenzhen Bao'an District People's Hospital pays non établi dans la noticeÉtablissement de santé
-
Shenzhen Children's Hospital pays non établi dans la noticeÉtablissement de santé
-
First Affiliated Hospital of Xiamen University pays non établi dans la noticeÉtablissement de santé
-
School of Biomedical Engineering Medical Ultrasound lmage Computing (MUSIC) Lab pays non établi dans la noticeUniversité ou école supérieure
-
Yongkang Maternal and Child Health Hospital pays non établi dans la noticeÉtablissement de santé
-
Shenzhen Baoan Women's and Children's Hospital pays non établi dans la noticeÉtablissement de santé
-
Ltd Shenzhen RayShape Medical Technology Co. pays non établi dans la noticeEntreprise
Shenzhen University Health Science Center, Nantong University et Nantong Maternity and Child Health Hospital, avec 7 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.