L-融合：拉普拉斯胎儿超声分割与不确定性估计.pdfVIP

L-融合：拉普拉斯胎儿超声分割与不确定性估计

JohannaP.Müller,RobertWright,ThomasG.Day,Lorenzo

Venturini,SamuelF.Budd,HadrienReynaud,JosephV.Hajnal,

RezaRazavi,andBernhardKainz

Friedrich–AlexanderUniversityErlangen–Nürnberg,DE

johanna.paula.mueller@fau.de

King’sCollegeLondon,London,UK

ImperialCollegeLondon,London,UK

本

译摘要准确的产前超声（US）分析对于早期发现发育异常至关重要。然而，

操作者依赖性和技术限制（如例如内在伪影和效果、设置错误等）可能会

中使图像解读和诊断不确定性评估复杂化。我们提出了一种名为L-FUSION

4（拉普拉斯胎儿US分割与集成基础模型）的框架，该框架通过无监督、规

v范学习以及大型基础模型集成了不确定性量化，以实现对正常和病理扫

5

4描中胎儿结构的稳健分割。我们建议利用随机分割网络的偶然性逻辑分布

2和带有快速Hessian估计的拉普拉斯近似来仅从分割头部分析认识不确定

5

0性。这使我们能够实现可靠的异常量测，以便即时诊断反馈。结合集成的

.Dropout组件，L-FUSION可以在超声成像中通过增强的不确定性地图和

3

0分割反事实分析可靠地区分病变与正常胎儿解剖结构，提高对认识不确定

5性和偶然性不确定性的解释，并消除手动疾病标记的需求。在多个数据集

2

:上的评估表明，L-FUSION实现了卓越的分割准确度和一致的不确定性量

v

i化，支持现场决策，并为临床环境中推进胎儿超声分析提供了一种可扩展

x解决方案。代码可在/ividja/L-FUSION获取。

r

a

Keywords:胎儿超声·基础模型·不确定性量化·分割

1介绍

胎儿超声（US）是监测发育和早期检测异常的关键工具，检测率从2000

年代的–%提高到今天的–%，这取决于病变类型[6]。然而，由于

噪声、阴影和解剖结构模糊性，超声成像仍然具有挑战性。机器学习模型可

以通过提供一致且客观的评估来支持临床医生，其检测性能通常与专家评估

相匹配[5,24]。但是，标准确定性模型不提供置信度估计，限制了在安全关

键环境中对信任和可解释性的信心。不确定性量化有助于标记不可靠的预测

2Mülleretal.

并指导临床关注。然而，当前的方法面临两个主要挑战：（1）高计算成本，

特别是在高维成像情况下[29]；以及（2）需要大量、多样化的数据集来捕捉

认识不确定性，这对于识别不熟悉