Un framework AI basato su ROI migliora la ricostruzione ecografica fetale
Un nuovo framework AI per la ricostruzione ecografica fetale si concentra sulle regioni anatomiche clinicamente rilevanti piuttosto che sulla qualità globale dell'immagine. I ricercatori propongono un metodo di apprendimento della rappresentazione consapevole della ROI in due fasi, implementato per lo screening della translucenza nucale (NT) nel primo trimestre. Un autoencoder convoluzionale apprende prima un codice latente a 128 dimensioni fedele a livello globale utilizzando MS-SSIM, quindi perfeziona la regione di interesse NT con vincoli di intensità e bordo. I pesi delle perdite sono calibrati automaticamente tramite grandezze del gradiente. Testato con una valutazione rigorosa per ospedale, con un ospedale escluso, il metodo migliora il PSNR fino a +0,29 dB e riduce il MAE della ROI fino all'8,87%.
Fatti principali
- Proposto un framework di perfezionamento consapevole della ROI in due fasi per la ricostruzione ecografica fetale.
- Il metodo è mirato allo screening della translucenza nucale (NT) nel primo trimestre.
- Utilizza un autoencoder convoluzionale (CAE) con MS-SSIM per il codice latente globale.
- Perfeziona la ROI NT utilizzando vincoli L1 e Sobel-edge normalizzati.
- Pesi delle perdite inizializzati tramite calibrazione basata sul gradiente.
- Valutato sotto shift di dominio multi-ospedale con un ospedale escluso.
- Migliora il PSNR di +0,27 dB (val) e +0,29 dB (test escluso).
- Riduce il MAE della ROI dell'8,87% (val) e del 6,43% (test escluso).
Entità
—