暨南大学信息科学技术学院联合暨南大学附属第一医院（华侨医院）、广州市妇女儿童医疗中心、中山大学附属第三医院等多所高校与医疗机构，在前期产时超声智能测量国际基准研究基础上，进一步挖掘母胎超声视频的临床价值，首次构建了面向临床应用的产时超声视频多任务自动测量框架。近日，相关成果发表于《医学图像分析》（Medical Image Analysis）。

全球每年约有28.7万例孕产妇死亡、240万例新生儿死亡和190万例死产，其中45%发生在分娩阶段，中低收入国家受影响尤为严重。产时超声生物测量是监测分娩进展的关键手段，其核心指标——角度进展度（AoP）和头耻距（HSD）——能有效预测分娩结局、降低不必要剖宫产率。然而，传统人工评估方式不仅耗时费力、主观性强，还依赖专业超声医师的操作，在医疗资源有限的地区难以普及。同时，产时超声视频中存在的图像伪影、胎体动态运动、解剖结构变形等问题，也为自动化分析带来了巨大技术挑战。

IUGC 2024基于超声视频的分娩进展评估流程示意图。研究团队供图

为攻克上述难题，在国家自然科学基金等项目资助下，暨南大学教授陆尧胜、副教授白杰云团队联合奥克兰大学、悉尼大学、牛津大学、穆罕默德·本·扎耶德人工智能大学等全球数十家机构，依托MICCAI 2024 Intrapartum Ultrasound Grand Challenge（IUGC）挑战赛，开展了基于产时超声视频的分娩进展评估深度学习系统性研究。研究团队构建了目前全球规模最大的多中心产时超声视频数据集。该数据集涵盖来自3家医院的774段视频（共68,106帧图像），均为经会阴采集的分娩期母胎超声影像，严格遵循国际妇产超声学会（ISUOG）采集规范，并设置了明确的纳入与排除标准，保证了数据的临床代表性和可靠性。

基于该数据集，研究团队创新设计了融合标准平面分类、胎头-耻骨联合分割、生物参数测量的多任务自动测量框架，实现了从超声视频中端到端提取分娩进展关键指标。该框架突破了传统单张超声图像分析的局限，充分挖掘视频的时空特征，利用多维度时空互补信息，显著提升了分娩进展评估的准确性和鲁棒性。

本次挑战赛吸引了全球18个国家的126支团队注册参与，最终16支团队完成有效提交。研究团队对其中8支顶尖团队的算法方案进行了全面剖析，从预处理、数据增强、学习策略、模型架构、后处理五个维度开展系统性分析，深入挖掘了不同深度学习方法在产时超声视频分析中的优势与不足。研究结果显示，最优算法在标准平面分类、胎头-耻骨联合分割及AoP、HSD测量等任务上展现出优异性能：分割任务的骰子相似系数达0.8857，AoP测量绝对误差低至9.1557°，HSD测量绝对误差仅10.3878 mm，部分指标已接近资深临床超声医师水平。

同时，研究团队通过大量对照实验，明确了一系列提升算法性能的关键策略：在预处理阶段，图像尺寸归一化和对比度增强能有效降低数据复杂度；数据增强方面，结合几何变换与强度调整的复合策略可使模型准确率提升约24%；模型架构上，Video Swin Transformer等视频专用网络能更好捕捉时空特征，Segment Anything Model在分割和参数测量任务中表现出显著优势；后处理阶段，直接基于分割轮廓提取关键点的方式，比椭圆拟合更适合动态的产时超声影像分析。此外，研究团队针对临床实际应用中的关键问题展开深入探究。

该研究为解决资源匮乏地区超声专业人员短缺、分娩进展评估效率低下等临床痛点提供了全新的深度学习解决方案，推动智能围产保健技术向更贴近临床的视频分析方向迈进。

相关论文信息：https://doi.org/10.1016/j.media.2026.104043