Automatisierte Ultraschallbewertung des Fruchtwasserspiegels mittels Deep Learning

Die Schätzung des antepartalen Fruchtwasservolumens (AFV) ist wichtig, da sie entscheidende Informationen über die fetale Entwicklung, das Wohlbefinden des Fetus und die perinatale Prognose bietet. Die Messung des AFV ist jedoch umständlich und patientenspezifisch. Darüber hinaus ist sie stark vom Ultraschalltechniker abhängig, wobei die Messgenauigkeit erheblich je nach Erfahrung des Technikers variiert. Daher ist die Entwicklung präziser, robuster und anpassbarer Methoden zur Bewertung des AFV äußerst wünschenswert. In diesem Zusammenhang wird erwartet, dass die Automatisierung die benutzerabhängige Variabilität und die Arbeitsbelastung der Ultraschalltechniker reduziert. Die Automatisierung der AFV-Messung ist jedoch sehr herausfordernd, weil die genaue Erkennung von AF-Taschen aufgrund verschiedener verwirrender Faktoren, wie z.B. Nachhallartefakte, AF-mimische Regionen und schwimmende Materie, schwierig ist. Darüber hinaus weist die AF-Tasche eine unbestimmte Vielzahl von Formen und Größen auf, und Ultraschallbilder zeigen häufig fehlende oder unvollständige strukturelle Grenzen. Um die oben genannten Schwierigkeiten zu überwinden, entwickeln wir eine hierarchische Methode auf der Basis von Deep Learning, die die anatomisch-kenntnisbasierten Ansätze von Klinikern berücksichtigt. Der entscheidende Schritt ist die Segmentierung der AF-Tasche mit unserem vorgeschlagenen Deep Learning-Netzwerk, AF-net. AF-net ist eine Variation des U-net, kombiniert mit drei ergänzenden Konzepten - atrous convolution, multi-scale side-input layer und side-output layer. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode eine Messung des Fruchtwasserspiegels (AFI) liefert, die genauso robust und präzise ist wie die Ergebnisse von Klinikern. Die vorgeschlagene Methode erreichte eine Dice-Ähnlichkeit von 0.877±0.086 für die AF-Segmentierung und eine mittlere absolute Fehler von 2.666±2.986 sowie einen mittleren relativen Fehler von 0.018±0.023 für den AFI-Wert. Soweit wir wissen, bietet unsere Methode erstmals eine automatisierte Messung des AFI.