多特征融合的产时超声胎方位识别模型

摘要

目的 探讨多特征融合的产时超声胎方位智能分析模型在提高分娩过程中胎方位分类准确性方面的应用效果。方法 本研究提出模型由输入、骨干网络和分类头3部分组成。输入部分进行数据增强，以提高样本质量和模型的泛化能力；主干部分进行特征提取，在Yolov8的基础上结合了CBAM、ECA、PSA注意力机制和AIFI特征交互模块，以提升特征提取效率和模型性能；分类头由卷积层和softmax函数组成，输出最终各个类别的概率值。用医生对关键器官（眼睛，脸部，头部，丘脑，脊柱）进行画框标注后的图像用于训练，以提高对枕前、枕后和枕横方位的分类准确性。结果 实验结果表明，本文提出的模型在胎方位分类任务中表现出色，准确率（ACC）达到了0.984,PR曲线下面积即平均精确度（PR-AUC）为0.993，特征曲线下面积（ROC-AUC）为0.984,kappa一致性检验分数为0.974，该深度学习模型表现出了非常好的性能，模型预测结果和实际类别一致。结论 本研究提出的多特征融合模型能够高效、准确地分类产时超声图像中的胎方位，为临床提供可靠的辅助工具。

关键词

产时超声 / 胎方位 / 深度学习 / 注意力机制