学位论文简介
胎儿生长受限（Fetal Growth Restriction，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，是导致围产生儿死亡的第二大原因。通过超声评估胎儿生长发育情况和发现 FGR 相关高危因素是诊断的重要手段。在临床实践中，利用超声技术进行胎儿生长受限辅助筛查步骤包括标准切面获取，关键解剖结构评估，生长参数测量等流程。但其结果受超声医生主观经验和技术差异的影响，全过程耗时长，标准化程度较低。随着国家实施三孩生育政策，这将导致对胎儿生长筛查的需求增加，相关医疗机构和医生可能面临更多的工作量和任务。
针对上述挑战，本研究旨在探索使用自动化技术实现胎儿生长受限辅助筛查，对胎儿生长状况的准确评估和早期干预，以标准化流程减轻医生的工作量。本文首先研究自动识别标准切面，在此基础上，我们又提出了关键解剖结构检测、多个胎儿生长参数测量以及开发相应的系统应用。本研究的核心内容及贡献如下
研究超声标准切面自动识别任务。我们将该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，提出了一种融合临床先验知识图的多任务学习模型USPD。与传统的“端到端”自动检测型不同的是，USPD 模型不仅提供预测结果，还能为专业超声医师提供清晰的解释，从而提高了模型的可解释性，无需超声医生的干预。
研究关键结构检测任务。我们提出了一种胎儿解剖结构检测推理网络（FARN）的网络，它综合考虑了解剖结构的视觉特征以及两种上下文信息，包括不同类型胎儿超声切面中的局部拓扑关系和全局上下文语义，这项研究为开发高效又简洁的模型来模拟解剖结构之间的关系提供了有力的支持。
研究胎儿头围自动测量任务。不依赖于分割和拟合等中间步骤，我们设计了一种端到端的回归网络，通过生成具有方向角的边界框来检测旋转的胎儿头部轮廓，并利用基于像素的椭圆回归（PER）损失直接获取胎儿头部参数。
研究多个胎儿生物特征测量任务。我们提出了一个统一 CNN 和 Transformer混合分割框架，名为 TransFSM，并且我们的模型经过知识蒸馏后可实现在资源受限的环境中的部署。多个胎儿生长参数的自动测量不仅可以帮助预防生长受限，还可以提供及时的医疗干预和监测，保障胎儿的健康和母婴安全。
通过综合应用上述多个算法，我们相应地开发了胎儿超声生长受限辅助筛查系统，具有高效性、准确性、实时性和可追溯性等优势，实现对胎儿的生长和发育进行全面的评估和分析。
主要学术成果
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 (第一作者, JCR 1区, SCI 1区TOP, IF: 7.7, 接收).
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, JCR 1区, SCI 2区TOP, IF: 7.5)
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, JCR 1区, CCF B类期刊, IF: 4.5).
