基于注意力引导的U-net和基于梯度的自适应加权优化的双重任务网络，用于胎儿超声平面分类和生物特征测量（DTNAU-Net）

胎儿超声双任务分析模型DTNAU-Net结合残差块、双注意力机制及多尺度特征提取，实现胎儿尺寸分割与超声平面分类同步优化，分类准确率94.85%，Dice指数91.12%，推理时间减少0.12秒/24帧，并通过可解释AI技术验证其临床实用性。

　　

Sajal Kumar Babu Degala | Munendra Singh | Ravi Prakash Tewari | Pankaj Kamra | Ramesh Pandey | Uvanesh Kasiviswanathan

应用力学系，莫蒂拉尔·尼赫鲁国家技术学院，阿拉哈巴德，普拉亚格拉杰，北方邦 211004，印度

摘要

自动化胎儿生物特征分析对于早期诊断生长相关异常至关重要。本研究提出了一个名为Dual-Task Network with Attention-Guided U-Net（DTNAU-Net）的新深度学习架构，该架构结合了残差块、双重注意力机制、多尺度特征提取和基于梯度的自适应权重优化，用于同时进行胎儿超声分割和胎儿超声平面的分类。消融研究表明，每个组件都对模型做出了显著贡献，最终实现了91.12%的Dice指数和94.85%的分类准确率。与现有的最先进深度学习模型在HC18和Zenodo数据集上的比较分析证实了DTNAU-Net的优越性，其在分割准确率（Dice指数为91.12% ± 0.20）和分类性能（F1分数为94.30% ± 0.12）方面均有统计学上的显著提升。此外，当使用分类任务去除不需要的帧时，双任务方法可以将推理时间减少0.12秒/24帧，从而使实时超声分析变得更加可行。使用配对t检验、Wilcoxon符号秩检验和Friedman检验进行的统计验证进一步支持了这些发现。此外，利用Shapley加性解释和局部可解释模型不可知解释的可解释AI技术证实了DTNAU-Net的可解释性，这些技术突出了其对关键解剖结构的关注。这些结果展示了该模型在稳健、高效和临床可靠的胎儿生物特征评估方面的潜力，有助于早期诊断宫内生长受限（IUGR）和巨大儿等状况。

引言

超声成像是产前护理中不可或缺的工具，能够实时、无创地观察胎儿发育和母亲健康状况。准确识别和测量胎儿头部、腹部、大脑、股骨和胸部等身体部位对于评估胎儿生长、估计妊娠年龄和诊断发育异常至关重要。这些测量结果为检测宫内生长受限（IUGR）和小头症等状况提供了重要信息，这些状况需要及时的医疗干预（Fiorentino等人，2023年；P?otka等人，2021年）。早期和精确的评估使医疗保健提供者能够有效应对潜在并发症，从而改善新生儿结局（Zeng等人，2021年）。 尽管超声技术取得了进步，但实现胎儿超声平面的一致和准确分割和分类仍然是一个重大挑战。胎儿位置的变化、母亲的状况以及成像伪影可能会掩盖解剖结构，使分析过程变得复杂。传统方法通常涉及手动或半自动化方法，耗时且容易出错，导致诊断结果的可变性（Ronneberger等人，2015年；Zhou等人，2018年）。这些局限性凸显了迫切需要自动化解决方案的需求，以提供稳健、可重复的结果，并简化临床工作流程[6]。 深度学习的最新发展为医学图像分析带来了变革，使得分割和分类任务的高精度自动化成为可能。像U-Net及其扩展（如U-Net++和ResUNet++）这样的架构通过利用编码器-解码器结构，在医学图像分割方面表现出色（Luo等人，2021年；Myronenko，2019年）。然而，这些模型主要关注单一任务学习，要么专注于分割，要么专注于分类。在产前护理中，将这两种任务集成在一个统一框架中的双任务方法是实现全面、高效和准确分析的关键（Ridzuan等人，2022年）。 为了解决这些挑战，我们提出了DTNAU-Net，这是一个结合了注意力引导的U-Net的双任务网络，并增加了基于梯度的自适应权重优化框架。与依赖静态参数调整或计算密集型方法（如粒子群优化）的传统多目标优化技术不同，所提出的方法在训练过程中动态平衡分割和分类任务。通过利用性能指标来自适应地调整相应的损失，该框架确保了高效的学习并最小化了任务特定的权衡。这种新颖策略针对胎儿超声成像的复杂性进行了定制，在这里分割和分类的准确性同样重要。 虽然残差学习、注意力机制和多尺度特征融合在之前的医学图像分割研究中已被独立探索，但DTNAU-Net通过在双任务学习框架内将它们耦合在一起而脱颖而出。特别是，所提出的基于梯度的自适应权重策略根据梯度大小动态平衡平面分类和解剖分割损失，防止了任务主导，并实现了稳定的多任务优化。这种设计允许全局平面级上下文信息指导局部解剖边界的细化，这对于噪声较大和异质性强的胎儿超声图像尤其有益。

• 我们提出了一个计算效率高的DTNAU-Net，通过将胎儿超声平面（视图）分类纳入超声成像中，减少了整体分割时间。
• 该模型采用了注意力引导的U-Net结构，提高了对关键解剖区域的关注度，从而提高了结果的总体准确性。
• 应用了基于梯度的自适应权重优化，在训练过程中动态调整分割和分类损失的重要性，无需静态多目标优化技术的开销。
• 集成了一种自适应特征融合策略，将编码器和解码器中的高级特征和低级特征相结合，从而提高了边界精度和结构保留能力。
• 在真实世界超声数据集上的全面测试表明，DTNAU-Net在分类和分割任务上的表现均优于现有模型。

DTNAU-Net代表了胎儿超声成像领域的重大进展，提供了一个稳健且可扩展的双任务学习解决方案。基于梯度的自适应权重优化的集成解决了静态方法的局限性，使模型能够动态适应复杂临床数据的需求。这种方法确保了对细微解剖结构的准确分割，同时保持了高分类性能，从而提高了生物特征测量的可靠性。 在临床上，DTNAU-Net的部署有可能通过自动化常规任务来改变产前诊断，减少变异性并提高工作流程效率。自动化的标准化分析减少了手动评估中的不一致性，有助于持续监测胎儿生长并早期发现潜在并发症（Milletari等人，2016年）。此外，所提出的框架特别适合资源有限的环境，特别是在专家从业者难以获得的情况下。通过弥合医疗服务的差距，DTNAU-Net支持为母亲和婴儿提供公平可靠的护理（Zhang等人，2022年；Tajbakhsh等人，2016年）。 在本文中，我们介绍了DTNAU-Net及其架构，重点介绍了基于梯度的自适应权重框架如何有效平衡分类和分割的双重任务。我们提供了详细的实验结果，展示了该模型相对于现有方法的性能提升。

相关工作

随着为分割和分类任务量身定制的深度学习模型的发展，医学图像分析取得了显著进展。Ronneberger等人（Ronneberger等人，2015年）引入的U-Net架构以其编码器-解码器设计和跳跃连接为医学图像分割树立了一个重要里程碑，使得精确分割时能够保留关键的上下文信息。U-Net++和ResUNet++等扩展进一步...

方法

在本节中，我们介绍了用于胎儿超声图像分类和分割的DTNAU-Net框架的设计和组成部分。该网络结合了注意力机制和多目标优化，以实现稳健和准确的结果。

结果与讨论

所有结果见4.1部分：与现有方法的分类比较；4.2部分：与现有方法的分割比较；4.2.1部分：头围（HC）分割；4.2.2部分：腹围（AC）分割；4.2.3部分：股骨长度（FL）分割；4.2.4部分：双顶径（BPD）分割；4.3部分：不同孕期的胎儿生物参数预测结果与最新网络架构的比较：案例研究；4.3.1部分：第一孕期分析；4.3.2部分...

结论

本研究提出了DTNAU-Net，这是一种先进的深度学习模型，专为精确和高效的胎儿超声平面生物特征分割和分类而设计。通过严格的实验，我们证实了残差块、双重注意力机制、多尺度特征提取和基于梯度的自适应权重优化的集成显著提高了分割准确性。DTNAU-Net显著减少了推理时间，实现了近乎实时的...

未引用的参考文献

Alzubaidi等人，2024年；Srivastava等人，2022年。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

所有作者感谢MNNIT阿拉哈巴德在研究完成过程中提供的后勤支持。