人工智能多任务模型在胎儿心脏超声标准切面识别与结构分割中的应用

摘要

目的 结合人工智能与产前超声影像技术，构建一个基于深度学习的多任务模型，以实现胎儿心脏超声图像中标准切面的识别与关键解剖结构的精准分割。方法 纳入2021年1月～2023年7月福建医科大学附属第二医院妊娠18～24周共1300例单胎妊娠孕妇的胎儿心脏超声图像共3312帧，由3位超声科副主任医师联合标注，包括心尖四腔心切面（4CH）、三血管切面（3VV）、三血管气管切面（3VT）、右室流出道切面（RVOT）、左室流出道切面（LVOT）5类标准切面及左/右心室、左/右心房、肺动脉、主肺动脉、升主动脉、主动脉、气管、上腔静脉等10个关键解剖结构。采用YOLOv11作为基础网络，实现关键结构的实例分割，在其Head部分增加切面分类分支，实现结构分割与切面识别的多任务协同学习。结果 模型在切面识别任务中的曲线下面积达0.976，在实例分割任务中平均mAP为0.937。与仅基于结构分割或分类的单任务模型相比，所提多任务模型在综合性能上表现更优。结论 基于YOLOv11的多任务学习模型能够有效识别胎儿心脏标准切面并分割关键解剖结构，对提升产前心脏畸形筛查的效率与准确性具有潜在临床价值。

关键词

胎儿心脏超声 / 标准切面识别 / 关键结构分割 / 多任务学习 / YOLOv11 / 人工智能辅助诊断