胎儿脑部动态矫正的文献综述
内容提要
该文综述深度学习在胎儿磁共振与超声成像中的应用，包括运动校正、脑部分割、伪迹检测、三维姿势估计和图像质量评估，并介绍FetMRQC等框架及公开数据集，以推动胎儿影像分析发展。
延伸解读
技术方法概览
综述涵盖多种深度学习技术：基于2D U-net和autocontext的实时分割、结合注意力机制和多对比度学习的自动脑提取、半监督均值教师模型用于伪迹检测、卷积神经网络回归六维姿态、FetusMapV2三维姿势估计框架、超声合成MRI的自监督方法，以及FetMRQC质量评估框架。这些方法针对胎儿脑成像中的运动校正、分割、伪迹检测、姿势估计和质量评估等任务。
数据与评估资源
文章提及公开数据集：病理和非病理胎儿磁共振脑体积重建数据库，覆盖20至33周孕龄和7个组织类别，并提供多种自动多组织分割算法的量化评估。此外，FetMRQC框架释出了新型手动质量评估工具。这些资源为方法比较和可重复研究提供了基础。
性能与可行性
部分方法报告了具体性能：半监督伪迹检测比有监督学习准确度提高约6%，并已在MR扫描仪上实现，证明在线质量评估和重新采集的可行性；超声定位系统的平均翻译误差和旋转误差分别为3.53毫米和6.42度；FetMRQC在一般化性、可解释性和数据效率上优于现有指标。这些结果展示了深度学习在胎儿脑成像中的潜力。
Q&A
深度学习在胎儿脑部动态矫正中主要应用于哪些方面？
深度学习在胎儿脑部动态矫正中主要应用于运动校正、脑部分割、伪迹检测、三维姿势估计和图像质量评估等方面。
FetMRQC是什么？它有什么作用？
FetMRQC是一个适用于胎儿脑MRI的机器学习框架，旨在自动评估图像质量，提取多种质量指标用于预测专家评分，并且相较于现有的质量评估指标更具一般化性、可解释性和数据效率，同时释出了一种新型手动质量评估工具。
有哪些公开的胎儿脑部影像数据集可用于研究？
文章提到提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库，覆盖20至33周的不同孕龄和7个不同的组织类别，以及对多种自动多组织分割算法准确性的量化评估。
胎儿脑部超声三维姿势估计有哪些技术进展？
研究提出了FetusMapV2框架，通过探索互补网络结构、限制GPU内存等方法来克服三维胎儿姿势估计的挑战，设计了一种新的损失函数来解决对称和相似解剖结构造成的混淆问题，并提出基于形状先验的自监督学习以在线优化姿势。在大规模胎儿超声数据集上的实验证明，该方法优于其他竞争对手。
如何检测胎儿脑部MRI扫描中的伪迹？
研究提出了一种基于半监督的深度学习方法，通过均值教师模型及ROI一致性损失检测胎儿脑体积扫描中的伪迹，结果表明相比于有监督学习，该方法可以提高模型准确度约6%，并且优于其他半监督学习方法。此外，该方法已在MR扫描仪上进行实现和评估，并证明了胎儿MR扫描过程中在线图像质量评估和图像重新采集的可行性。
胎儿脑部MRI分割有哪些深度学习方法？
文章提到了多种方法：基于2D U-net和autocontext的深度卷积神经网络用于实时分割胎儿MRI切片中的胎儿大脑；使用大规模注释数据集，结合U-Net风格结构、注意力机制、多对比度特征学习和数据增强的自动胎儿脑提取深度学习方法；以及一种新的人工智能应用于胎儿脑功能磁共振成像的大脑分割自动化方法。
