Fetal ultrasound image processing
PulseAugur coverage of Fetal ultrasound image processing — every cluster mentioning Fetal ultrasound image processing across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过半监督学习增强胎儿超声分割
研究人员开发了DACL，一种旨在改进胎儿超声图像分割的新型半监督框架。该方法利用了一个轻量级卷积网络和一个基于Transformer的网络，通过一致性正则化利用有限的标记数据和未标记数据。DACL引入了一种双一致性损失，该损失对齐分布预测和不确定性，旨在减少不可靠的伪标签的影响。该框架还结合了基于插值的混合增强策略以提高鲁棒性，在极端标注稀缺的情况下显著提高了边界精度。
-
研究发现：胎儿超声中的AI需要校准和可解释性
一项对2015年至2026年间发表的78项研究进行的系统评价，考察了可解释人工智能和不确定性量化在胎儿超声平面分类中的应用。虽然AI模型达到了0.93的汇集平衡准确率，但只有一小部分报告了校准或选择性预测。该评价提出了一个新的报告框架CALIB-XFUS，以确保在此高风险医疗领域中的AI系统得到妥善校准、解释和公平对待，符合FDA和欧盟等监管机构的期望。
-
胎儿超声检查中的AI偏见与图像质量相关，而非仅与代表性相关
研究人员开发了一个新的框架，用于识别和解开医学AI中的交叉偏见，特别是检查胎儿超声模型。该框架结合了无监督切片发现、因子分析和有针对性的交叉评估，以解决即使在数据代表性充足的情况下也可能出现的性能差异。一项使用超过94,000张超声图像进行的胎儿体重估算案例研究显示，像素间距（通常会根据高BMI或低孕周等因素进行调整）显著影响了模型性能，凸显了进行与采集相关的公平性评估的必要性。