2026.6.5
本文发布并分析IUGC产时超声视频挑战，比较多任务深度学习方法并指出视频ViT、预训练模型、数据增强和域泛化是未来关键。
Title题目
01
Beyond benchmarks of IUGC: Rethinking requirements of deep learning method for intrapartum ultrasound biometry from fetal ultrasound videos
超越IUGC基准：重新思考从胎儿产时超声视频进行深度学习自动生物测量的需求
文献速递介绍
02
论文首先指出，约45%的孕产妇死亡、新生儿死亡和死产发生在产时阶段，尤其集中于中低收入国家。产时超声因成本较低、无创、可用于评估胎头下降和分娩进展而具有重要临床价值，但在资源受限地区，熟练超声医师不足限制了其常规使用。临床上需要从产时经会阴超声视频中识别标准切面，分割胎头FH和耻骨联合PS，并测量进展角AoP和头耻距离HSD。作者强调，这一流程存在图像伪影、散斑噪声、声影、胎儿运动、组织形变、边界模糊、标准与非标准切面差异小等困难，而且分类、分割和测量之间存在误差传播。基于这些需求，IUGC被提出，用多中心视频数据推动面向临床工作流的自动化多任务算法研究。
相关工作部分回顾了妇产超声图像分析中的公开挑战和基准。以往挑战多集中于产前超声，如胎头、股骨、腹围、宫颈、羊水和胎盘等任务，而产时超声相关挑战较少，且多数集中在单张图像的分割或测量。与PSFHS等图像级挑战相比，IUGC的特点是同时覆盖胎儿结构和母体解剖结构，同时包含标准切面分类、FH和PS分割以及AoP和HSD测量，并且提供大规模多中心视频数据。作者还总结了已有产时超声生物测量算法的发展，从早期阈值、形态学和跟踪方法，到UNet、多任务网络、SAM、半监督学习和知识蒸馏等深度学习方法。总体来看，既有研究多为单中心、单图像或半自动流程，距离真实临床中的视频级全自动多任务应用仍有明显差距。
材料与实验设置
IUGC由产时超声图像分析合作组及多个临床学会共同推动，并与MICCAI 2024联合举办。挑战要求参赛者提交Docker封装的全自动算法，在隐藏测试集上完成标准切面分类、FH和PS分割、AoP与HSD测量。数据集包含774名孕妇的774段经会阴超声视频，共68,106张图像，来自暨南大学附属第一医院JNU、中山大学附属第三医院SYSU和南方医科大学珠江医院SMU三家机构。训练集和验证集来自JNU，测试集包含JNU、SYSU和SMU数据，因此能检验跨中心、跨设备鲁棒性。图像统一裁剪为512×512像素，视频采集设备包括ObEye、Voluson P8和Esaote MyLab。标注由有经验的超声医师和产科医师完成，包括标准切面判断、PS和FH手工分割，以及根据临床定义测量AoP和HSD。评价指标方面，分类使用ACC、F1、MCC和AUC，分割使用DSC、ASSD和95% Hausdorff Distance，生物测量使用自动值与人工值的绝对差ΔAoP和ΔHSD。排名采用指标级、任务级和综合级三层体系，并用ChallengeR工具进行显著性检验、bootstrap排名稳定性和多种排名方法鲁棒性分析。
Aastract摘要
03
本文围绕产时超声自动生物测量问题，系统介绍MICCAI 2024 Intrapartum Ultrasound Grand Challenge，即IUGC。该挑战构建了目前最大的公开多中心产时经会阴超声视频数据集，包含774段视频和68,106张图像，并设计标准切面分类、胎头与耻骨联合分割、AoP与HSD生物测量三个关联任务。论文评估了官方基线和七支优胜团队的方法，从预处理、数据增强、学习策略、网络结构和后处理等方面进行综述，并用分类、分割和测量指标进行多层级排名。结果显示，T1的Video Swin Transformer端到端视频多任务框架综合排名第一，T2在分割任务上最佳，T3在生物测量任务上表现突出；但标准切面识别仍低于人工水平，跨设备域偏移、标注不确定性、误差级联和模型部署复杂度仍是临床转化的核心障碍。
Method方法
04
论文详细比较了官方基线T0和七支优胜团队T1至T7的方法。T0使用UNet分割分支和基于下采样特征的分类分支，先训练分割再冻结编码器训练分类，并通过分割轮廓计算AoP和HSD。T1，即Ganjie团队，采用Video Swin Transformer和小波Transformer，构建视频端到端多任务空间时间网络，同时处理分类、分割和测量，是唯一显式利用视频片段时序信息的综合优胜方法。T2使用ResNet进行分类、DeepLabV3进行分割，并结合AutoAugmentation、外部PSFHS数据和测试时增强，在分割任务中表现最佳。T3在基线基础上引入nnUNet伪标签和弱监督，用大量未标注阳性帧扩展训练数据，并通过动态损失缩放平衡分类与分割，在生物测量任务中领先。T4提出DSSAU-Net，通过双稀疏选择注意力提升FH和PS分割效率。T5使用多模型集成、稀疏采样和复杂后处理，包括最大连通域、椭圆拟合和边缘检测，以增强泛化性。T6提出MFA-UNeXt，用频域注意力增强超声图像特征。T7采用ResNet-50分类和MobileNetV2-LinkNet分割，强调轻量化和结构化后处理。作者进一步从预处理、网络结构与损失函数、数据增强、学习过程和后处理五个方面归纳参赛方案，指出深度学习架构选择、适度增强、预训练权重、半监督伪标签、测试时增强和合理的后处理都会影响最终性能。
Discussion讨论
04
讨论部分首先分析了标注一致性。150个测试样本的多专家标注比较显示，分类和PS分割一致性较高，而FH分割和AoP、HSD测量只达到中等一致性，反映出产时超声中胎头边界、遮挡、运动和探头压迫造成的内在不确定性。随后作者分析跨数据源鲁棒性，发现T1相对T0在JNU、SYSU和SMU上总体更强，但所有方法在SMU，即Esaote MyLab设备来源的数据上均明显退化，说明设备差异、采集协议、操作者习惯和患者群体会造成显著域偏移。训练策略方面，作者比较先分割后分类与先分类后分割，认为先学习解剖结构分割特征再用于标准切面识别更合理；同时，T1和T3的一阶段多任务训练也显示出潜力。数据增强实验表明，Elastic、Affine、Dropout、Unsharp Mask和CLAHE等增强能不同程度改善分割性能。架构分析进一步纳入17种深度模型，发现TransUnet、MambaUnet、Fatnet和SAM等在分割上很强，其中SAM在分割和测量综合表现中可作为重要基准，但模型较大。后处理实验显示，椭圆拟合并非总是有益；对于HSD，直接使用原始轮廓往往优于椭圆拟合，因为错误分割或离群轮廓会被全局几何拟合放大。临床影响方面，AoP和HSD具有强线性关系，联合使用有助于提高胎头位置评估可靠性，但仍需大规模临床验证。局限性包括标准切面分类准确率尚低于人工水平，未标注数据利用不足，视频时序信息挖掘不充分，强模型难以边缘实时部署，多中心数据仍不够平衡，以及级联流程存在误差传播。
Conclusion结论
05
论文总结认为，IUGC是产时超声自动分析领域的重要基准，首次以大规模多中心视频数据将标准切面分类、FH-PS分割和AoP、HSD测量统一在一个面向临床的多任务框架中。挑战结果表明，视频导向的ViT架构、预训练模型、任务特异性数据增强和合理后处理能够显著提升性能，T1的Video Swin Transformer端到端方法综合表现最佳。然而，标准切面识别仍是最大瓶颈之一，分类准确率低于专家人工标注；未标注数据和视频时序结构尚未充分利用；多中心域偏移和误差级联仍限制临床部署。未来研究应重点发展更鲁棒的标准切面检测、半监督或自监督学习、轻量化端到端视频模型、跨设备域泛化以及直接关键点检测或直接回归式测量框架，从而减少人工依赖并推进产时超声AI的临床转化。
Results结果
06
总体结果显示，在八个挑战方法中，T1、T2和T3分别在分类、分割和测量方面表现最突出。分类任务中，T1取得ACC 0.7441、F1 0.7555、AUC 0.7802和MCC 0.3648，显著优于其他方法，并在多种排名方案中保持第一。分割任务中，T2取得DSC 0.8857、ASSD 9.4349和HD 28.4152，是挑战参赛方法中最佳分割方案。生物测量任务中，T3取得最小ΔAoP 9.1557，而T2取得最小ΔHSD 10.3878；综合稳定性分析显示T3和T2在不同排名策略下均有较强竞争力。综合排名中，T1、T2和T3位列前三，其中T1综合排名最稳定，反映了端到端视频多任务学习在该任务中的优势。论文还指出部分方法，尤其T6和T7，在分割和测量上性能明显落后，说明网络设计、训练策略和后处理对该任务影响很大。
Figure图
07
图1.该图概括了IUGC中标准切面分类、FH和PS分割、AoP与HSD生物测量三项任务的技术难点。分类受到同类内差异大和类间差异小的影响；分割受到产时解剖形变、PS尺寸小、超声噪声、声影和边界模糊影响；测量则依赖精确几何关系，多个可能的轮廓点和碎片化分割会导致关键点选择不确定。它奠定了整篇论文的问题定义。
图2.该图展示从经会阴超声采集，到人工完成标准切面判别、FH和PS分割、AoP和HSD测量，再到IUGC中训练、验证和测试集划分以及算法排名的整体流程。图中说明数据集包含774段视频和68,106张图像，挑战目标是以自动化方法替代繁琐且依赖专家的临床测量流程。
图3.该图展示JNU、SYSU和SMU三家医院的数据规模、代表性图像以及分类、分割和测量任务中的训练、验证、测试分布。它突出训练与验证主要来自JNU，而测试包含三个中心和不同设备，因此该基准能够检验算法在跨中心、跨设备条件下的泛化能力。
图4. 该图用箱线图、显著性图、bootstrap排名稳定性和多种排名方法比较八个团队在ACC、AUC、F1和MCC上的表现。结果显示T1在分类任务中最强且排名稳定，说明Video Swin Transformer对视频时序和全局上下文的建模有利于区分标准与非标准切面。
图5该图比较八个团队在DSC、ASSD和HD上的分割性能。T2在挑战参赛方法中取得最高DSC和最低边界误差，说明ResNet分类、DeepLabV3分割、外部数据和测试时增强的组合能有效提升FH与PS轮廓提取质量。
图6该图比较各方法在ΔAoP和ΔHSD上的误差分布、显著性和排名稳定性。T3在ΔAoP上最佳，T2在ΔHSD上最佳，且T1、T2、T3、T4之间在部分测量指标上差异接近，说明下游测量不仅取决于分割精度，还受到关键点提取、后处理和标注不确定性的共同影响。
图7该图总结分类、分割、测量和总体挑战排名。T1分类第一并综合第一，T2分割第一，T3测量第一；综合排名中T1最稳定，说明端到端视频多任务方法在整体临床工作流上更具优势，而单一任务最优并不必然带来综合最优。
图8该图分析Elastic、Affine、Dropout、Unsharp Mask和CLAHE等增强策略对DSC、ASSD和HD的影响。结果表明几何变换与强度增强能在不同程度上提升分割鲁棒性，说明在超声图像标注有限、噪声和形变明显的场景中，任务合适的数据增强是提升泛化能力的关键。
图9该图将挑战前五方法与多种额外架构进行分割性能比较。结果显示TransUnet在DSC和ASSD上表现突出，SAM在HD上表现优秀，MambaUnet、Fatnet等也具有较强竞争力。这说明更强的长程依赖建模、预训练和基础模型能力可能优于传统UNet式架构。
图10该图展示20种方法在JNU、SYSU和SMU样本上的分割结果，红色为PS预测、绿色为FH预测、蓝色为真值。JNU样本多数方法表现较好，SYSU和尤其SMU样本中出现更多边界泄漏、PS漏分割和FH轮廓碎片化，直观证明跨设备和跨中心域偏移是当前方法的重要瓶颈。
图11该图比较17种方法在ΔAoP和ΔHSD上的表现。SAM相关方案在AoP和综合测量稳定性上非常突出，MambaUnet在HSD上表现优秀，说明基础分割模型和全局上下文建模能改善下游临床参数估计，但仍需考虑模型复杂度和部署成本。
图12该图比较不进行椭圆拟合、对PS和FH都拟合、仅拟合PS、仅拟合FH四种后处理策略对ΔAoP和ΔHSD的影响。结果表明椭圆拟合对AoP平均有轻微帮助但收益有限，而对HSD可能显著变差，提示在动态噪声超声图像中，强行施加全局几何形状可能放大分割错误。
图13该图展示不同数据来源中AoP和HSD之间的关系，说明两者作为胎头下降程度的指标存在明显线性相关。该结果支持在临床自动评估中联合使用AoP和HSD，以提高产程进展判断的可靠性。
图14该图扩展比较17种深度学习方法在ACC、AUC、F1和MCC上的分类表现。没有方法达到80%以上的标准切面识别准确率，低于人工标注一致性水平，凸显标准切面自动识别仍是IUGC流程中最重要的瓶颈。
