本研究提出了一种多层级类-aware令牌变换器（MCAT）方法，旨在提高胎儿超声视频中标准解剖剪辑的定位效率和准确性，特别是在低中收入国家具有重要的公共健康影响。

FetalCLIP是一种用于胎儿超声图像分析的视觉语言基础模型，通过对210,035幅配对图像与文本的数据集进行预训练，有效捕捉胎儿解剖特征。研究表明，该模型在多项应用中表现优异，适用性广泛且对标注数据需求低，将对该领域产生重大影响。