FPUS23

FPUS23是一个专为评估胎儿超声成像而设计的胎儿幻影超声数据集，由维也纳工业大学创建。该数据集包含15,728张图像，用于训练四种不同的深度神经网络模型，以识别胎儿的正确诊断平面、方向及其解剖特征。数据集的创建过程涉及使用23周龄的胎儿幻影，避免了与医疗数据相关的法规限制，并通过科学家的专业标注确保了数据集的质量。FPUS23数据集的应用领域主要集中在提高临床工作流程和开发基于超声的胎儿监测平台，旨在解决胎儿超声图像的自动分析问题。FPUS23 is a fetal phantom ultrasound dataset specifically designed for evaluating fetal ultrasound imaging, created by Vienna University of Technology. This dataset comprises 15,728 images, which are utilized to train four distinct deep neural network models to identify the correct diagnostic planes, orientations and anatomical features of fetuses. The development of this dataset employed a 23-week-old fetal phantom, thereby avoiding regulatory restrictions associated with medical data, and ensured its quality through professional annotations from scientists. The FPUS23 dataset is primarily applied to improving clinical workflows and developing ultrasound-based fetal monitoring platforms, with the aim of solving the problem of automated analysis of fetal ultrasound images.

搜集汇总

数据集介绍

构建方式

FPUS23数据集的构建方式主要采用了一个23周孕龄的胎儿模型，而非真实的胎儿。这一模型通过Philips Epiq-7超声系统和X6-1 xMATRIX阵列换能器进行数据采集。数据采集分为两个协议：协议一专注于获取用于测量胎儿三个主要生物参数的诊断平面图像，即心室平面、腹部标准平面和股骨标准平面；协议二则侧重于获取胎儿解剖结构的图像。数据采集过程中，胎儿模型被放置在模拟母亲身体的模型中，并旋转至四种不同的位置，以模拟真实的胎儿位置和方向。采集到的数据流被转换为PNG图像序列，并使用CVAT工具进行标注。

特点

FPUS23数据集的特点在于其包含了15,728张超声图像，这些图像经过标注，涵盖了诊断平面、胎儿方向、胎儿解剖结构和边界框等关键信息。该数据集旨在帮助识别胎儿的正确诊断平面，确定胎儿方向，识别解剖特征，并定位胎儿解剖结构的边界框。此外，FPUS23数据集的一个显著特点是它使用了一个23周的胎儿模型，这使得研究人员可以绕过与使用真实胎儿数据相关的监管要求，从而更容易地获取数据。

使用方法

FPUS23数据集可用于训练深度神经网络模型，以识别胎儿的诊断平面、方向和解剖特征。数据集已被用于训练四个基于ResNet34骨干网络的深度神经网络模型，这些模型能够检测上述胎儿特征。此外，数据集还可用于评估模型的性能，以确保其能够在实际临床环境中准确有效地工作。FPUS23数据集及其预训练模型已公开可访问，这将进一步促进未来对胎儿超声成像的研究。

背景与挑战

背景概述

FPUS23数据集的创建旨在应对胎儿超声图像分析领域的挑战，特别是为了提高临床工作流程和开发基于超声的胎儿监测平台。该数据集由奥地利维也纳工业大学计算机工程研究所、荷兰飞利浦研究院和阿拉伯联合酋长国纽约大学阿布扎比分院的科研人员合作创建，于2023年6月4日被接受。FPUS23数据集包含15,728张超声图像，用于训练深度神经网络模型，以识别胎儿的正确诊断平面、胎儿方向、解剖特征和胎儿解剖结构的边界框。该数据集的创建旨在解决胎儿超声图像分析中的难题，并为相关领域的研究提供支持。

当前挑战

FPUS23数据集面临的挑战主要包括：1) 医疗保健数据受到严格的监管要求，保护患者隐私；2) 由于监管要求，公开可用的胎儿超声数据集很少，限制了临床助手和家用监测平台的发展；3) 现有的公开数据集缺乏相关信息的标注，难以训练深度神经网络模型以推断胎儿解剖信息；4) 现有的数据集规模不足以使深度神经网络模型有效地学习所需特征，即使使用了现有的迁移学习方法。FPUS23数据集通过使用胎儿模型而非实际胎儿、不生成或使用任何医疗保健数据、进行适当的标注和注释、构建大规模数据集以及使用模型压缩技术等方法来应对这些挑战。

常用场景

经典使用场景

FPUS23数据集主要用于训练深度神经网络模型，以识别胎儿超声图像中的关键解剖特征。这些模型能够检测胎儿的诊断平面，这对于估计胎儿的生物测量值至关重要；识别胎儿的朝向，这对于确定胎儿的生长和健康状况至关重要；识别胎儿的解剖特征，这对于评估胎儿的整体健康状况至关重要；以及检测胎儿模型的边界框，这对于在23周胎龄时进行胎儿监测至关重要。该数据集由15,728张图像组成，用于训练四个不同的深度神经网络模型，这些模型基于ResNet34骨干网络，用于检测上述胎儿特征和使用案例。

衍生相关工作

FPUS23数据集衍生了许多相关的经典工作。例如，它已被用于开发基于深度学习的胎儿超声图像分析模型，这些模型可以自动检测胎儿的诊断平面、朝向和解剖特征。此外，它已被用于开发基于深度学习的家用监测平台，这些平台可以帮助孕妇在家中进行胎儿监测。最后，它已被用于开发新的深度神经网络模型，这些模型可以用于其他医学图像分析任务，例如心脏超声和乳房超声。

数据集最近研究

最新研究方向

FPUS23数据集在胎儿超声影像分析领域的最新研究方向主要集中在利用深度神经网络模型来提高对胎儿解剖特征、胎儿方向和诊断平面的识别精度。该数据集的构建旨在解决现有胎儿超声数据集在隐私保护、数据获取、标注质量和数据规模等方面的挑战。FPUS23数据集使用了胎儿模型而非真实胎儿进行数据采集，从而规避了医疗数据隐私保护的限制，并且提供了15,728张超声图像，用于训练四个基于ResNet34骨干网络的深度神经网络模型。这些模型在诊断平面识别、胎儿方向、解剖特征检测以及胎儿解剖结构边界框识别等方面展现了高精度。此外，研究还探讨了模型压缩技术，如剪枝和量化，以减少模型在资源受限设备上的硬件需求，使其能够在便携式超声胎儿监测平台上部署。FPUS23数据集及其预训练模型的公开可用性将进一步推动胎儿超声影像分析领域的未来研究。

相关研究论文

• FPUS23: An Ultrasound Fetus Phantom Dataset with Deep Neural Network Evaluations for Fetus Orientations, Fetal Planes, and Anatomical Features

  维也纳工业大学 · 2023年