近期，我校医学部生物医学工程专业硕士研究生林泽慧（共同第一作者）在医学图像分析领域顶级期刊Medical Image Analysis（2018年IF=8.88）发表学术论文《Multi-task Learning for Quality Assessment of Fetal Head Ultrasound Images》。论文通讯作者是林泽慧的导师汪天富教授和雷柏英副教授，深圳市妇幼保健医院超声科主任李胜利为共同第一作者，深圳大学为第一署名单位。

在产前诊断中，获得产前超声诊断的标准切面非常重要，医生可以测量胎儿的生理参数来评估胎儿的生长发育情况。识别标准切面这项任务要求超声医生具有丰富的经验和人体解剖学知识，而这对新手医生来说非常具有挑战性。临床上，一直由经验丰富的超声医生来评定新手医生扫描的超声标准切面质量，这个过程耗时费力，占用专家资源。

该研究提出基于多任务学习的胎儿头围自动化质量控制方法。研究团队从深圳市妇幼保健医院超声科采集中孕期胎儿超声头围图像，采集的仪器包括西门子、飞利浦、开立、迈瑞等品牌的超声设备。通过与医生讨论制定了质量评估协议，并由临床经验超过8年的超声医生对图像进行标注。将图像及标签输入所提出的多任务网络，通过CNN网络训练进行特征提取，网络同时输出重要解剖结构的检测结果和图像参数是否适当的分类结果。结合临床先验知识，利用各个关键解剖结构的位置信息，进一步排除相似解剖结构或组织的干扰。最后，对分类和定位任务的预测结果评分，并确定图像是否为标准切面图像。该研究对一张胎儿丘脑水平切面进行自动化质量评估仅需要0.5s，而且关键解剖结构的平均检测准确率达到94%，对于分类任务的准确率达到98%。实验结果表明通过所提出方法对胎儿头围超声图像进行自动、快速和准确的质量评估是可行的，既可以有效提高基层医生的诊断水平，也可以大大降低高级医学专家的诊断时间。

该研究获得了科技部重点研发计划、国家自然科学基金、广东省自然科学基金等项目资助。

研究成果链接：https://doi.org/10.1016/j.media.2019.101548

（来自医学部）