FCNSU-NET：利用线性变压器技术全面识别孕早期胎儿中枢神经系统（CNS）超声标准切面及解剖结构

《Biomedical Signal Processing and Control》：FCNSU-NET: Comprehensive recognition of the first trimester fetal CNS ultrasound standard planes and anatomical structures with linear transformer attention

胎儿中枢神经系统超声标准平面识别与解剖结构检测的深度学习模型研究。提出FCNSU-NET模型，融合GRU特征编码与Swin Transformer图像特征提取，结合Agent Attention、SEn-CBAM、CGRFPN模块及Plane Loss函数，实现多任务协同优化。在3425例标注数据上，测试集mAP@0.5达95.3%，临床验证准确率98.53%，显著优于现有方法。

　　
该研究聚焦于第一 trimester胎儿中枢神经系统（FCNS）超声标准平面（FCNS-USP）的自动识别与关键解剖结构检测。通过构建包含多任务学习框架、创新模块设计及医学知识引导的深度学习模型FCNSU-NET，实现了在复杂临床场景下的突破性进展。研究团队从福建医科大学附属第二医院获取3425例专家标注的超声图像，涵盖四个标准平面（T-LV、AP-MSP、T-Th、C-FL）及其对应12类关键解剖结构（如侧脑室、脑干、前额叶等），建立了首个大规模第一 trimester FCNS超声数据库。临床验证显示，该模型在标准平面识别准确率达到98.53%，特异性达99.6%，较现有方法提升5.6-8.2个百分点，其Kappa值与资深专家诊断结果（0.90）相当。

研究创新体现在三个维度：首先构建了多任务协同框架，将平面分类与解剖结构检测同步进行。通过GRU网络对检测到的解剖结构进行时序特征编码，再与Swin Transformer提取的空间特征进行跨模态融合，这种双通道特征融合机制有效解决了早期妊娠胎儿体素较小（部分结构仅占图像5%以下）、边界模糊（脑脊液与组织对比度低于0.3dB）等难题。其次开发了具有医学先验知识的增强模块，包括：
1. 动态注意力机制（Agent Attention）：通过模拟超声医师的扫描逻辑，建立平面-结构联合注意力网络。在AP-MSP平面识别中，系统会优先关注丘脑前部与侧脑室后部的解剖标志
2. 层级特征增强模块（CGRFPN）：采用三阶段特征金字塔结构，在骨干网络中嵌入特征回归提升网络（FRN），通过多尺度特征融合补偿第一 trimester图像中存在的空值伪影（发生率约18.7%）
3. 平面损失函数（Plane Loss）：引入解剖结构分布先验，构建包含四维空间约束（前后/左右/上下/旋转）的损失函数。实验显示该设计使标准平面定位误差从2.3mm降至0.8mm

临床验证部分采用373例独立样本进行三组对照测试：①模型与初级医师（识别准确率72.4%）对比；②中级医师（85.6%）对比；③资深专家（92.3%）。结果显示模型在脑干（BS）识别上较初级医师提升37.2%，在第四脑室（4V）定位误差减少42.8%。特别值得注意的是，对于鼻骨（NB）这类早期标志物（孕11-14周），模型检测敏感性达96.5%，显著优于传统超声方法（78.2%）。

研究还揭示了第一 trimester超声诊断的三大技术瓶颈：①胎儿体位固定困难导致15-22%的图像存在旋转偏移；②早期脑组织灰度对比度不足（CT值差异<50HU）；③动态扫描中的运动伪影（发生率约34.5%）。为此，研究团队开发了具有医学适应性的优化策略，包括：
- 基于文献的解剖先验库（涵盖200+种典型影像特征）
- 多模态特征对齐算法（融合超声、MRI及解剖图谱数据）
- 动态校准机制（根据孕周自动调整检测阈值）

在模型架构方面，FCNSU-NET采用改进的YOLOv8框架，通过以下设计提升性能：
1. 注意力机制创新：在特征提取层集成"空间-时间"双注意力模块，分别优化二维空间分辨率（128-256px）和三维时间序列特征
2. 跨模态特征融合：将解剖结构检测结果（经GRU编码为7维向量）与图像特征（Swin Transformer输出4通道特征图）进行张量融合
3. 自适应损失函数：结合任务优先级动态调整平面分类（权重0.6）与结构检测（权重0.4）的损失权重

实验数据显示，该模型在测试集（612例）上达到95.3%的mAP@0.5指标，其中AP-MSP平面的多结构联合检测准确率达98.1%。在临床验证阶段，模型在早期妊娠（<12周）和晚期妊娠（12-14周）两组中均表现优异，分别达到94.7%和96.8%的Kappa值，验证了其在不同孕周阶段的稳定性。值得注意的是，模型在处理旋转角度超过15°的图像时（此类图像占临床样本的21.3%），通过引入仿射变换校正模块，仍能保持89.2%的检测准确率。

研究团队还建立了首个第一 trimester FCNS超声标准化数据集，包含以下特色：
- 四维标注体系：涵盖解剖结构（12类）、超声平面（4类）、孕周（11-14周）和扫描体位（8种）
- 多模态对比组：包括64例经临床确诊的病例（其中21例为脑积水，15例为发育迟缓）
- 动态质量评估：开发图像质量指数（IQLI），涵盖噪声水平（PSNR>32dB）、对比度（SI>1.5）和清晰度（SSIM>0.85）等参数

该成果的突破性体现在三个方面：首先，首次将Transformer架构与时间序列编码器（GRU）结合应用于早期妊娠超声分析；其次，开发具有临床解释性的特征可视化系统，可自动生成解剖结构分布热力图；最后，建立基于贝叶斯优化的模型参数自适应调整机制，使不同医院设备（超声探头频率差异±2MHz）间的性能波动降低至5%以内。

临床应用测试表明，该模型可使初级超声医师的误诊率从19.8%降至4.3%，同时将复核需求减少62%。在福建医科大学附属第二医院的实际应用中，系统部署后标准平面获取时间缩短至平均2.7分钟（传统方法需8-12分钟），图像质量评分提升23.6%。特别是在处理多胎妊娠（占临床样本的8.7%）和前置胎盘（4.2%）等复杂病例时，模型通过动态调整扫描参数，使关键解剖结构检出率保持稳定（93.4%±1.8%）。

未来研究计划包括：①构建跨医院的分布式数据湖（目标覆盖10万例病例）；②开发轻量化边缘计算版本（模型体积压缩至原始的18%）；③集成多模态数据（如胎心监护、母体血指标）进行联合诊断。该模型已通过国家医疗器械二类创新医疗器械注册审评，预计2025年完成临床转化。