推荐

奖种

2024年度山东妇幼保健协会科技进步奖

项目

名称

基于深度学习胎儿先天性心脏病超声筛查关键技术的研究

推荐

意见

本研究课题完成了山东省医药卫生科技发展计划项目“基于深度学习胎儿先天性心脏病超声筛查关键技术的研究”，发明了基于变分自编码器和循环生成对抗网络的图像生成方法，解决了先天性心脏病的影像样本数量不足问题；发明了基于困难样本挖掘和度量学习的深度学习网络训练方法，解决了部分困难样本难以训练的问题；提出了基于人工智能的胎儿心脏切面自动评分的方法，解决了胎儿心脏标准切面的准确判断难题；提出了基于细粒度分类的深度学习网络结构，解决了胎儿心脏精细结构异常识别难题。本项目实现了基于人工智能的胎儿先天性心脏病的有效筛查，在量化性能上超越了国内外现有技术，为实现先心病的有效早期筛查提供了有力的技术支撑，促进了我国妇幼保健事业的完善与发展。本研究小组科研精神严谨，团队合作关系密切，其成果达到了预期的指标，并有助于科研将来更进一步的深入研究。因此同意参加科技进步奖的申报。

项目

简介

先天性心脏病（先心病）是胎儿心血管发育异常导致的先天畸形，是新生儿及婴幼儿死亡的重要原因之一。中国先心病检出率为2.4‰～10.4‰，现有患者约200万，每年新增患者9万至15万。未及时诊治的患儿可能出现心脏肥大、肺动脉高压、智力残疾等问题，因此产前诊断对提高存活率和降低发病率至关重要。超声影像是胎儿先心病诊断的首选，但检查难度大，漏诊率高。结合人工智能技术的辅助筛查有望提高先心病的检出率，并缓解超声医师供需失衡的问题。

在基于深度学习的人工智能方法中应用于胎儿先天性心脏病的超声筛查时，面临着四个关键技术问题：首先，先天性心脏病的影像样本数量不足，限制了模型的训练效果；其次，部分影像样本由于复杂的解剖结构或其他原因较为困难，难以进行有效训练；第三，胎儿心脏标准切面的准确判断至关重要，但这一过程因胎儿的自主运动和体位变化而存在挑战；最后，基于人工智能方法的胎儿心脏精细结构异常识别依然是一个技术难点。针对这些问题，本研究提出了多个创新性解决方案。首先，发明了基于变分自编码器和循环生成对抗网络的图像生成方法，解决了影像样本不足的问题；其次，发明了基于困难样本挖掘和度量学习的深度学习网络训练方法，提高了对困难样本的训练效果；再次，提出来了基于人工智能的胎儿心脏切面自动评分方法，提升了标准切面判断的准确性；最后，提出了基于细粒度分类的深度学习网络结构，有效应对了胎儿心脏精细结构异常的识别问题。

通过综合对比，本项目展现了在切面分类、图像质量评估和异常检测等方面的显著优势。首先，在胎儿心脏切面分类方面，模型在各个切面的识别中表现最佳，各项指标均优于现有模型。其次，图像质量评估实验中，提出的量化评估方法能够通过分析图像的背景亮度、心脏ROI面积和位置等因素，精确评估图像质量，且量化得分更细致，优于医师的等级评估。最后，切面异常评估实验表明，该算法不仅能正确区分正常与异常图像，还能提供详细的异常概率值和ROI得分，增强了诊断的可解释性。综合来看，本研究提出的方法在量化性能上超越了国内外现有技术，并提供了更为精细的分析结果，可以为胎儿先心病的筛查与诊断提供更加可靠的技术支持。

本研究授权发明专利2项，发表SCI论文6篇，其他论文8篇。

客观

评价

本研究课题研究结合人工智能技术的辅助筛查有望提高先心病的检出率，并缓解超声医师供需失衡的问题。其创新性及先进性主要有：

(1) 发明了基于变分自编码器和循环生成对抗网络的图像生成方法，解决了先天性心脏病的影像样本数量不足问题；

(2) 发明了基于困难样本挖掘和度量学习的深度学习网络训练方法，解决了部分困难样本难以训练的问题；

(3) 提出了基于人工智能的胎儿心脏切面自动评分的方法，解决了胎儿心脏标准切面的准确判断；

(4) 提出了基于细粒度分类的深度学习网络结构，解决了胎儿心脏精细结构异常识别难题，实现了胎儿先天性心脏病的有效筛查。

本研究针对基于深度学习的胎儿先天性心脏病的超声筛查关键问题开展研究，突破了应用人工智能技术解决胎儿先天性心脏病的超声筛查的四个关键问题，实现了基于人工智能的胎儿先天性心脏病的有效筛查，为实现先心病的有效早期筛查提供了技术支撑，有利于促进我国妇幼保健事业的完善与发展，不足之处，胎儿心脏超声图像是动态影像，不容易捕捉，不同年资医生操作手法不一致，采集的图像切面不标准，客观的造成准确率下降。

推广应用情况

本项目自2021年在威海市妇幼保健院进行了应用，尤其对低年资医生和缺乏经验的医师帮助较大，辅助后提升效果最好，为各级医师制定诊疗方案提供高效准确的依据，降低费用等方面有显著的优势。

代表性论文

1、Deep learning-based differentiation of ventricular septal defect from tetralogy of Fallot in fetal echocardiography images

2、Ultrasound Speckle Tracking with Deep Convolutional Neural Network

完成人情况

于霞，排名：1，职称：副主任医师，工作单位：威海市妇幼保健院，完成单位：威海市妇幼保健院。

主持了山东省医药卫生科技发展计划项目，提出了项目的总体思路，设计了项目的总体内容和架构，提出了基于人工智能的胎儿心脏切面自动评分的方法，解决了胎儿心脏标准切面的准确判断；合作提出了基于细粒度分类的深度学习网络结构，解决了胎儿心脏精细结构异常识别难题，实现了胎儿先天性心脏病的有效筛查。以第一作者发表了多篇论文。

王洪杰，排名：2，职称：高级工程师，工作单位：威海市妇幼保健院，完成单位：威海市妇幼保健院。

参与了山东省医药卫生科技发展计划项目，负责数据采集和实验工作，参与了项目的总体内容和架构设计，合作提出了基于细粒度分类的深度学习网络结构，解决了胎儿心脏精细结构异常识别难题，实现了胎儿先天性心脏病的有效筛查。发表了多篇论文。

马立勇，排名：3，职称：教授，行政职务：检测与控制研究中心副主任，工作单位：哈尔滨工业大学（威海），完成单位：哈尔滨工业大学（威海）。

参与了山东省医药卫生科技发展计划项目，负责人工智能方法的研究，发明了基于变分自编码器和循环生成对抗网络的图像生成方法，解决了先天性心脏病的影像样本数量不足问题；发明了基于困难样本挖掘和度量学习的深度学习网络训练方法，解决了部分困难样本难以训练的问题。授权发明专利2项，发表了多篇论文。

潘康宁，排名：4，职称:助理工程师，工作单位：威海市妇幼保健院，完成单位：威海市妇幼保健院。

对本项目的贡献：主要承担项目初期查阅相关资料并参与课题设计，参与课题的资料收集，课题的部分实验和数据统计。

蓝信强，排名：5，职称：主任技师，工作单位：威海市妇幼保健院，完成单位：威海市妇幼保健院。

对本项目的贡献：参与了山东省医药卫生科技发展计划项目，主要承担项目初期查阅相关资料并参与课题设计，参与课题的资料收集，课题的部分实验和数据统计。

毕源源，排名：6，职称：主治医师，工作单位：威海市妇幼保健院，完成单位：威海市妇幼保健院。

对本项目的贡献：参与了山东省医药卫生科技发展计划项目，主要承担项目初期查阅相关资料并参与课题设计，参与课题的资料收集，课题的部分实验和数据统计。

黄霞，排名：7，职称：主治医师，工作单位：威海市妇幼保健院，完成单位：威海市妇幼保健院。

对本项目的贡献：参与了山东省医药卫生科技发展计划项目，主要承担项目初期查阅相关资料并参与课题设计，参与课题的资料收集，课题的部分实验和数据统计。

完成单位情况

单位名称：威海市妇幼保健院，排名：1。

完成了山东省医药卫生科技发展计划项目，提出了项目的总体思路，设计了项目的总体内容和架构，提出了基于人工智能的胎儿心脏切面自动评分的方法，解决了胎儿心脏标准切面的准确判断；提出了基于细粒度分类的深度学习网络结构，解决了胎儿心脏精细结构异常识别难题，实现了胎儿先天性心脏病的有效筛查。以第一作者发表了多篇SCI论文。在本项目的研究和推广过程中提供了经费、人员和设备等条件。

单位名称：哈尔滨工业大学（威海），排名：2。

参与了山东省医药卫生科技发展计划项目，完成了胎儿先天性心脏病的人工智能方法的研究，发明了基于变分自编码器和循环生成对抗网络的图像生成方法，解决了先天性心脏病的影像样本数量不足问题；发明了基于困难样本挖掘和度量学习的深度学习网络训练方法，解决了部分困难样本难以训练的问题。授权发明专利2项，发表了多篇SCI论文。在本项目的研究过程中提供了技术和人员等条件。