胡歆迪，楊 鑫，周 旭，王麗敏，梁永棟，尚 寧，倪 東，顧 寧

1) 南京醫(yī)科大學(xué)生物醫(yī)生工程與信息學(xué)院，江蘇南京211166；2)深圳大學(xué)醫(yī)學(xué)部生物醫(yī)學(xué)工程學(xué)院，廣東深圳 518060；3)廣東省婦幼保健院超聲診斷科，廣東廣州511400

髖關(guān)節(jié)發(fā)育性不良(developmental dysplasia of the hip, DDH)是一種常見(jiàn)的先天性關(guān)節(jié)疾病，發(fā)病率為0.15%～2.00%[1]．該疾病由股骨頭和髖臼之間位置異常引起，患病嬰兒髖臼較淺，股骨頭無(wú)法牢固地嵌在髖臼內(nèi)，甚至完全脫出髖臼．根據(jù)病情嚴(yán)重程度，DDH可分為發(fā)育不良、半脫位和脫位3類．常見(jiàn)的臨床癥狀包括左右腿長(zhǎng)度不等，腿紋和臀紋不對(duì)稱，脫位腿向外翻轉(zhuǎn)等，不及時(shí)治療可能會(huì)引發(fā)慢性疼痛、步態(tài)紊亂和關(guān)節(jié)炎等疾病[2]．DDH早期的治療簡(jiǎn)單有效，治療成功率可達(dá)96%[3]，能有效減少后續(xù)疾病的產(chǎn)生，因此針對(duì)新生兒的DDH篩查具有重要意義．與X光相比，超聲成像具有無(wú)創(chuàng)和無(wú)輻射等特點(diǎn)，且能顯示嬰兒髖關(guān)節(jié)尚未骨化的部分，便于觀察股骨頭在髖臼內(nèi)的運(yùn)動(dòng)，因此對(duì)6月齡以內(nèi)的嬰兒，臨床上通常使用超聲檢查，依據(jù)Graf法進(jìn)行DDH診斷．

Graf法是一種基于形態(tài)學(xué)的方法，通過(guò)量化解剖結(jié)構(gòu)在超聲靜態(tài)圖像上的特征，評(píng)估髖關(guān)節(jié)發(fā)育狀況[4]．Graf法通常分為3步：① 使用超聲探頭掃查嬰兒髖關(guān)節(jié)(圖1(a))，獲得超聲視頻．② 從超聲視頻中挑選出一張標(biāo)準(zhǔn)切面圖，該圖必須包含平直髂骨、髂骨下緣、盂唇和骨-軟骨結(jié)合處等關(guān)鍵解剖結(jié)構(gòu)，如圖1(b)．由于平直髂骨和髂骨下緣同屬于髂骨結(jié)構(gòu)，為便于測(cè)量角度，本研究將二者視作不同結(jié)構(gòu)．③ 在標(biāo)準(zhǔn)切面上測(cè)量α角和β角兩個(gè)發(fā)育指標(biāo)．如圖1(c)和(d)，角度測(cè)量需要作出3條測(cè)量線：沿平直髂骨頂部作出切線，即基線；從髂骨最下緣點(diǎn)向平直髂骨外輪廓作出切線，即骨頂線；連接盂唇中心點(diǎn)和平直軟骨下端點(diǎn)，即軟骨頂線．α角為基線和骨頂線的夾角，β角為基線和軟骨頂線的夾角．④ 結(jié)合嬰兒年齡等信息，對(duì)髖關(guān)節(jié)進(jìn)行分型．

圖1 Graf法臨床標(biāo)準(zhǔn)Fig.1 Clinical standards of Graf method

盡管Graf法已在臨床上得到了廣泛應(yīng)用，但其主觀依賴性較強(qiáng)，整個(gè)篩查流程耗時(shí)費(fèi)力．在實(shí)際應(yīng)用中面臨如下難點(diǎn)：① 標(biāo)準(zhǔn)切面獲取困難，易出現(xiàn)誤判和漏判．一方面，在進(jìn)行超聲篩查時(shí)，嬰兒易動(dòng)，增加了掃查到標(biāo)準(zhǔn)切面的難度；另一方面，標(biāo)準(zhǔn)切面的判斷標(biāo)準(zhǔn)嚴(yán)格，對(duì)醫(yī)生的專業(yè)知識(shí)和臨床經(jīng)驗(yàn)要求較高．② 參數(shù)測(cè)量主觀依賴性強(qiáng)．由于超聲圖像存在噪聲和偽影等問(wèn)題，質(zhì)量較差，且醫(yī)生對(duì)解剖結(jié)構(gòu)的形態(tài)判斷依賴自身經(jīng)驗(yàn)，造成不同觀察者之間的測(cè)量結(jié)果差異較大，即使是經(jīng)驗(yàn)豐富的醫(yī)生，α角和β角的測(cè)量差異也能達(dá)到3°和6°[5]，尤其在基層醫(yī)院，醫(yī)生臨床經(jīng)驗(yàn)匱乏等問(wèn)題更為突出．因此，亟需一種規(guī)范且高效化的方法進(jìn)行超聲DDH篩查．

近年來(lái)，計(jì)算機(jī)輔助診斷(computer aided diagnosis, CAD)超聲篩查DDH的相關(guān)技術(shù)不斷出現(xiàn)，但均存在一定局限性．首先，標(biāo)準(zhǔn)切面的重要性常被忽視，輔助識(shí)別DDH標(biāo)準(zhǔn)切面的技術(shù)尚無(wú)人研究．標(biāo)準(zhǔn)切面是精準(zhǔn)化超聲檢查的前提，唯有在標(biāo)準(zhǔn)切面上對(duì)發(fā)育指標(biāo)進(jìn)行測(cè)量，才能保證數(shù)據(jù)的準(zhǔn)確性和可靠性．雖然自動(dòng)識(shí)別標(biāo)準(zhǔn)切面在多個(gè)超聲篩查項(xiàng)目中都得到了重視[6-8]，但由于標(biāo)注數(shù)據(jù)需求量大且切面識(shí)別難度高等問(wèn)題，在DDH超聲篩查方向鮮有進(jìn)展．其次，現(xiàn)有的參數(shù)測(cè)量相關(guān)的CAD技術(shù)，速度和精度都難以滿足實(shí)際臨床需求．這些技術(shù)通常是基于關(guān)鍵解剖結(jié)構(gòu)的輪廓特征來(lái)計(jì)算α角和β角．根據(jù)特征提取的方法，該技術(shù)可分為基于手工提取特征的傳統(tǒng)方法和基于深度學(xué)習(xí)的人工智能方法．傳統(tǒng)方法如使用測(cè)地線動(dòng)態(tài)區(qū)域(geodesic active regions, GAR)[3]和相位對(duì)稱性[9]等方法提取圖像特征，往往受限于手工特征提取的復(fù)雜度，模型精度低且魯棒性差．由于深度學(xué)習(xí)可自動(dòng)提取圖像特征，善于解決大量數(shù)據(jù)中的高維難題，在髖關(guān)節(jié)超聲圖像分析領(lǐng)域也得到了初步應(yīng)用．例如，經(jīng)典的全卷積網(wǎng)絡(luò)(full convolution network，F(xiàn)CN)[10]和Unet[11]等，被用于分割髂骨或盂唇的任務(wù)[12-13]；使用對(duì)抗學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)分割平直髂骨和髂骨下緣[14]；多尺度的特征融合網(wǎng)絡(luò)用于獲得骨結(jié)構(gòu)的概率圖[15]．但現(xiàn)有的輔助DDH超聲篩查方法仍存在兩個(gè)缺陷：① 僅聚焦于局部解剖結(jié)構(gòu)的輪廓信息，缺少對(duì)重要解剖結(jié)構(gòu)的標(biāo)識(shí)．Graf法的準(zhǔn)確度非常依賴醫(yī)生對(duì)解剖結(jié)構(gòu)的識(shí)別，這對(duì)缺乏經(jīng)驗(yàn)的醫(yī)生來(lái)說(shuō)存在一定困難，自動(dòng)化的結(jié)構(gòu)標(biāo)識(shí)能夠?yàn)獒t(yī)生提供示教幫助，有利于初學(xué)醫(yī)生快速上手、加深對(duì)DDH超聲篩查的理解．② 推理速度較慢，實(shí)際應(yīng)用受限．

進(jìn)一步推動(dòng)自動(dòng)化超聲篩查DDH的發(fā)展，需要解決以下問(wèn)題：① 對(duì)于常用于識(shí)別標(biāo)準(zhǔn)切面的分類神經(jīng)網(wǎng)絡(luò)，其準(zhǔn)確率越高，所需訓(xùn)練樣本量越大，但訓(xùn)練數(shù)據(jù)的獲取和標(biāo)注都會(huì)消耗大量時(shí)間和人力成本．視頻數(shù)據(jù)的標(biāo)注更是耗時(shí)耗力，逐幀標(biāo)注會(huì)給醫(yī)生帶來(lái)沉重的工作負(fù)擔(dān)，數(shù)據(jù)集規(guī)模也因此受到限制．② 對(duì)于髖關(guān)節(jié)結(jié)構(gòu)的分割任務(wù)，由于超聲圖像質(zhì)量較差，常出現(xiàn)結(jié)構(gòu)邊緣模糊和結(jié)構(gòu)黏連等問(wèn)題，導(dǎo)致分割精度差；髖關(guān)節(jié)結(jié)構(gòu)復(fù)雜，結(jié)構(gòu)之間超聲成像辨識(shí)度低，易造成誤分割．③ 實(shí)際診斷中，需要實(shí)時(shí)測(cè)量或多次測(cè)量，對(duì)模型的推理速度有較高要求．

本研究提出一種智能化DDH輔助篩查系統(tǒng)，由標(biāo)準(zhǔn)切面自動(dòng)識(shí)別模塊和發(fā)育參數(shù)自動(dòng)測(cè)量模塊構(gòu)成．自動(dòng)識(shí)別標(biāo)準(zhǔn)切面模塊依賴一個(gè)基于少樣本單類別分類(few-shot one-class classifier, FOC)的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)有兩個(gè)優(yōu)勢(shì)：① 基于少樣本：僅需1/3訓(xùn)練樣本訓(xùn)練模型，大幅減少醫(yī)生的標(biāo)注工作量；② 基于單類別，即僅使用標(biāo)準(zhǔn)切面圖像訓(xùn)練網(wǎng)絡(luò)，可強(qiáng)化網(wǎng)絡(luò)對(duì)標(biāo)準(zhǔn)切面的學(xué)習(xí)程度．自動(dòng)測(cè)量模塊依賴一個(gè)能夠自動(dòng)測(cè)量的快速實(shí)例網(wǎng)絡(luò)(fast instance network, FIN)，該網(wǎng)絡(luò)優(yōu)勢(shì)為：① 可以提供關(guān)鍵解剖結(jié)構(gòu)的標(biāo)識(shí)，為醫(yī)生起到示教作用；② 目標(biāo)定位功能大幅減少了誤分割的發(fā)生概率，多任務(wù)模型提高了分割的精度；③ 推理速度超過(guò)30幀/s，為臨床篩查節(jié)省時(shí)間，提高了效率．該系統(tǒng)首次將標(biāo)準(zhǔn)切面的判斷融入自動(dòng)診斷過(guò)程，實(shí)現(xiàn)質(zhì)量控制，提高同質(zhì)化水平，同時(shí)優(yōu)化工作流，加快了工作效率，提高了測(cè)量準(zhǔn)確度．

1 智能化DDH輔助篩查系統(tǒng)

本研究提出的智能化DDH輔助篩查系統(tǒng)的架構(gòu)如圖2．醫(yī)生使用超聲探頭掃查嬰兒髖關(guān)節(jié)獲得視頻數(shù)據(jù)并輸入標(biāo)準(zhǔn)切面自動(dòng)識(shí)別模塊；已被判定為標(biāo)準(zhǔn)切面的圖像被送入自動(dòng)測(cè)量模塊，該模塊會(huì)自動(dòng)檢測(cè)和分割出關(guān)鍵解剖結(jié)構(gòu)(平直髂骨、髂骨下緣、盂唇和骨-軟骨結(jié)合處)，并自動(dòng)測(cè)量出α角和β角，最后將結(jié)果展示在圖像中以供參考．

圖2 智能化DDH輔助篩查系統(tǒng)流程圖Fig.2 Flow chart of the intelligent auxiliary screening system of DDH

1.1 自動(dòng)識(shí)別標(biāo)準(zhǔn)切面模塊

本研究提出的FOC分類神經(jīng)網(wǎng)絡(luò)，僅需少量陽(yáng)性樣本，即標(biāo)準(zhǔn)切面，作為學(xué)習(xí)對(duì)象，通過(guò)自監(jiān)督訓(xùn)練方式學(xué)習(xí)標(biāo)準(zhǔn)切面的特征信息，從而為未知圖像打出標(biāo)準(zhǔn)化評(píng)分．該方法可大幅減少對(duì)訓(xùn)練數(shù)據(jù)和人工標(biāo)注數(shù)量的依賴．

自動(dòng)識(shí)別標(biāo)準(zhǔn)切面可視為圖像二分類任務(wù)，需要將輸入圖像歸類至標(biāo)準(zhǔn)切面或非標(biāo)準(zhǔn)切面，但在嬰兒髖關(guān)節(jié)的超聲視頻中，訓(xùn)練二分類網(wǎng)絡(luò)存在一定的挑戰(zhàn)：① 二分類網(wǎng)絡(luò)同時(shí)需要陽(yáng)性和陰性樣本，標(biāo)準(zhǔn)切面有明確定義，即至少包含平直髂骨、髂骨下緣、盂唇和骨-軟骨結(jié)合處4個(gè)解剖結(jié)構(gòu)(見(jiàn)圖1(b))，不滿足此定義的圖像，如解剖結(jié)構(gòu)顯示不全、 噪聲圖等， 均為非標(biāo)準(zhǔn)切面． 但通常情況下，難以獲得所有種類的非標(biāo)準(zhǔn)切面．② 超聲圖像質(zhì)量較差，因此分類難度大，且高精度的網(wǎng)絡(luò)模型需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，數(shù)據(jù)采集和標(biāo)注工作量大．

作為一種特殊的分類任務(wù)，單分類任務(wù)只需判斷未知樣本是否為目標(biāo)類，無(wú)需判定非目標(biāo)類樣本類別．該任務(wù)適用于正負(fù)訓(xùn)練樣本極度不均衡的任務(wù)，如訓(xùn)練樣本全部為正樣本、大量正樣本和極少數(shù)的負(fù)樣本、大量正樣本和無(wú)數(shù)類難以標(biāo)注的負(fù)樣本等[16]．常見(jiàn)的單分類模型可分為：① 基于分類的方法，如基于支持向量機(jī)(support vector machine, SVM)的單類別支持向量機(jī)(one-class support vector machine, OCSVM)[17]和深度支持向量數(shù)據(jù)描述(deep support vector data description, deep SVDD)[18]；② 基于無(wú)監(jiān)督或自監(jiān)督的幾何變換網(wǎng)絡(luò)(geometric transformations, GEOM)[19]和自監(jiān)督的分布外檢測(cè)(self-supervised out of distribution, SSOOD)[20]等；③ 基于圖像重建的變分自編碼器(variational auto-encoder, VAE)[21]和對(duì)抗生成網(wǎng)絡(luò)Ganomaly[22]等；④ 基于數(shù)據(jù)分布建模的深度自動(dòng)編碼高斯混合模型[23]等．因此，可僅使用標(biāo)準(zhǔn)切面訓(xùn)練一個(gè)單分類網(wǎng)絡(luò)．該網(wǎng)絡(luò)僅需充分學(xué)習(xí)標(biāo)準(zhǔn)切面的圖像特征分布，并判定所有不符合該單類特征分布的圖像為非標(biāo)準(zhǔn)切面，以此實(shí)現(xiàn)超聲視頻中標(biāo)準(zhǔn)切面的自動(dòng)化識(shí)別．

由于DDH標(biāo)準(zhǔn)切面的標(biāo)注數(shù)據(jù)量少，對(duì)單分類網(wǎng)絡(luò)的訓(xùn)練造成一定困難．因此，本研究引入自監(jiān)督學(xué)習(xí)策略．與全監(jiān)督學(xué)習(xí)相比，采用自監(jiān)督學(xué)習(xí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)成本低且效率高．自監(jiān)督學(xué)習(xí)通過(guò)特定方式為訓(xùn)練數(shù)據(jù)生成偽標(biāo)簽，并用該標(biāo)簽輔助下游任務(wù)．該方法適用于無(wú)標(biāo)注或稀缺標(biāo)注的數(shù)據(jù)集．自監(jiān)督學(xué)習(xí)在單分類任務(wù)中也得到了成功應(yīng)用，例如GEOM和SSOOD等．對(duì)于DDH標(biāo)準(zhǔn)切面識(shí)別的任務(wù)，在數(shù)據(jù)集僅有少量標(biāo)準(zhǔn)切面的情況下，可通過(guò)自監(jiān)督的方式對(duì)數(shù)據(jù)集進(jìn)行拓展，使網(wǎng)絡(luò)學(xué)習(xí)到標(biāo)準(zhǔn)切面的深度特征．

標(biāo)準(zhǔn)切面自動(dòng)識(shí)別網(wǎng)絡(luò)由幾何變換模塊和監(jiān)督學(xué)習(xí)模塊構(gòu)成，如圖3．網(wǎng)絡(luò)訓(xùn)練時(shí)，首先將髖關(guān)節(jié)標(biāo)準(zhǔn)切面圖像x送入幾何變換模塊進(jìn)行數(shù)據(jù)擴(kuò)增，并生成偽標(biāo)簽；擴(kuò)增后的圖像和偽標(biāo)簽被送入監(jiān)督學(xué)習(xí)模塊進(jìn)行特征學(xué)習(xí)．幾何變換T由3步操作構(gòu)成：① 水平平移TH，TH={TH0,TH1,TH2}． 其中,TH0、TH1和TH2分別表示將圖像在水平方向上平移0、 +n或-n個(gè)像素．② 垂直平移TV，TV={TV0,TV1,TV2}． 其中，TV0、TV1和TV2分別將圖像在垂直方向上平移0、 +n或-n個(gè)像素．③ 旋轉(zhuǎn)TR，TR={T0,T1,T2,T3}． 其中，T0、T1、T2和T3分別將圖像旋轉(zhuǎn)0°、90°、180°和270°．在數(shù)據(jù)擴(kuò)增過(guò)程中，圖像在水平和垂直方向各取一個(gè)數(shù)值進(jìn)行平移變換，隨后分別旋轉(zhuǎn)4個(gè)角度，即每張圖像先進(jìn)行9種組合平移操作，再分別進(jìn)行4種旋轉(zhuǎn)變換，共經(jīng)歷36種幾何變換組合．幾何變換模塊為每張變換后的圖像生成一個(gè)大小為1×3的標(biāo)簽矩陣，該矩陣由水平平移操作(TH={TH0,TH1,TH2})的標(biāo)簽h(h∈H={0, 1, 2}， 垂直平移操作(TV={TV0,TV1,TV2})的標(biāo)簽v(v∈V={0, 1, 2})和旋轉(zhuǎn)操作(TR={T0,T1,T2,T3})的標(biāo)簽r(r∈R={0, 1, 2, 3})拼接而成．變換后的圖像和偽標(biāo)簽一起被送入特征提取網(wǎng)絡(luò)并進(jìn)行監(jiān)督學(xué)習(xí)．

圖3 自動(dòng)識(shí)別標(biāo)準(zhǔn)切面模塊的網(wǎng)絡(luò)框架Fig.3 The framework of the standard plane automatic recognition network

本實(shí)驗(yàn)使用Resnet34[24]作為特征提取網(wǎng)絡(luò)，提取的圖像特征分別送入3個(gè)softmax層進(jìn)行標(biāo)簽預(yù)測(cè)，則由預(yù)測(cè)標(biāo)簽與自監(jiān)督標(biāo)簽得到的損失函數(shù)為

(1)

其中，LCE為交叉熵?fù)p失函數(shù)；pt(t|y)(t∈{TH,TV,TR})表示網(wǎng)絡(luò)對(duì)操作t的softmax預(yù)測(cè)值；y=T(x)為經(jīng)過(guò)幾何變換模塊后的圖像．

預(yù)測(cè)時(shí)，輸入一張未知圖像，經(jīng)過(guò)幾何變換后送入監(jiān)督學(xué)習(xí)模塊．網(wǎng)絡(luò)預(yù)測(cè)圖像的3種變換的標(biāo)簽值，并計(jì)算出標(biāo)準(zhǔn)置信度為

(2)

由式(2)可見(jiàn)，若輸入的圖像越標(biāo)準(zhǔn)，網(wǎng)絡(luò)預(yù)測(cè)的幾何變換組合越準(zhǔn)確，S值越大．最后手動(dòng)定義一個(gè)分類的閾值t， 若S>t， 則該圖最終預(yù)測(cè)為標(biāo)準(zhǔn)切面；反之，則為非標(biāo)準(zhǔn)切面．找到驗(yàn)證集分類性能最好的分類閾值，作為該網(wǎng)絡(luò)的最佳閾值．

1.2 自動(dòng)快速測(cè)量模塊

自動(dòng)識(shí)別標(biāo)準(zhǔn)切面模塊輸出的標(biāo)準(zhǔn)切面圖，進(jìn)入自動(dòng)測(cè)量模塊．為實(shí)現(xiàn)自動(dòng)測(cè)量α角和β角功能，需獲取3條測(cè)量線，而這些測(cè)量線又依賴于關(guān)鍵解剖結(jié)構(gòu)的輪廓(圖1(d))，因此，該模塊首先需要提取出髂骨、髂骨下緣和盂唇的輪廓線．通常使用分割網(wǎng)絡(luò)提取關(guān)鍵結(jié)構(gòu)的語(yǔ)義信息，再計(jì)算出輪廓線．該過(guò)程存在兩個(gè)困難：① 由于超聲圖像質(zhì)量較差、結(jié)構(gòu)邊緣辨模糊，不同結(jié)構(gòu)間辨識(shí)度低，語(yǔ)義分割網(wǎng)絡(luò)的精度難以得到保證；② 大型網(wǎng)絡(luò)的推理速度較慢，難以達(dá)到實(shí)時(shí)輔助篩查的速度．

與語(yǔ)義分割任務(wù)不同，實(shí)例分割對(duì)每一個(gè)目標(biāo)同時(shí)預(yù)測(cè)位置和輪廓信息．引入位置信息可以輔助提升分割精度，并有效改善誤分割問(wèn)題．實(shí)例分割網(wǎng)絡(luò)分為雙階段模式和單階段模式．雙階段模式如mask R-CNN[25]，需要先對(duì)目標(biāo)區(qū)域檢測(cè)，再對(duì)檢測(cè)區(qū)域內(nèi)部結(jié)構(gòu)進(jìn)行分割，兩階段串行進(jìn)行，計(jì)算效率低．單階段實(shí)例分割網(wǎng)絡(luò)如Yolact[26]等，舍棄了耗時(shí)的區(qū)域定位操作，因此盡管犧牲了少量精度，但大幅提高了推理速度．

本研究提出一種能夠自動(dòng)測(cè)量的快速實(shí)例分割網(wǎng)絡(luò)FIN，結(jié)構(gòu)如圖4．由圖4可見(jiàn)，髖關(guān)節(jié)圖像需先經(jīng)過(guò)特征提取模塊，提取出圖像特征再分別送入原型掩膜生成模塊和預(yù)測(cè)模塊．前者用于生成固定數(shù)量的原型掩膜，后者用于生成原型掩膜的系數(shù)，二者結(jié)合可計(jì)算出最終的分割結(jié)果，并基于此結(jié)果出測(cè)量α角和β角．

圖4 自動(dòng)快速實(shí)例網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The framework of the fast instance network

1)特征提取網(wǎng)絡(luò)使用特征金字塔網(wǎng)絡(luò)(feature pyramid network, FPN)[27]作為骨干結(jié)構(gòu)．卷積神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)深度的增加，生成的特征圖(C1～C5)空間分辨率逐漸變小，形成金字塔結(jié)構(gòu)．淺層的網(wǎng)絡(luò)輸出高分辨率特征圖，包含大量紋理特征和少量語(yǔ)義特征；深層的網(wǎng)絡(luò)輸出低分辨率特征圖，包含少量紋理特征和大量語(yǔ)義特征．FPN將自下而上和自上而下的兩個(gè)金字塔網(wǎng)絡(luò)橫向連接在一起，因此每層輸出的特征圖(P3～P7)融合了不同尺度的紋理特征和語(yǔ)義特征，有效提升了精度．在本實(shí)驗(yàn)中，骨干網(wǎng)絡(luò)采用Resnet50-FPN網(wǎng)絡(luò)結(jié)構(gòu)．

2)原型掩膜生成模塊使用FCN結(jié)構(gòu)，輸入FPN的特征圖P3，經(jīng)過(guò)若干3×3卷積和一個(gè)1×1卷積操作后，輸出尺寸為138×138×k像素的原型掩膜．其中，k為原型掩膜的個(gè)數(shù)；138×138為一個(gè)原型掩膜的圖像分辨率．

3)預(yù)測(cè)模塊輸入5張?zhí)卣鲌DP3～P7， 預(yù)先定義對(duì)每個(gè)像素點(diǎn)生成固定長(zhǎng)寬比的3個(gè)錨框，因此對(duì)于一張分辨率為Wi×Hi的特征圖Pi(i為特征圖序號(hào)，i=3, 4,…, 7,)， 共生成Wi×Hi×3個(gè)錨框，其中每個(gè)錨框需要3種類型的預(yù)測(cè)結(jié)果：類別置信度、邊界框偏移量和掩膜系數(shù)．

特征圖Pi經(jīng)過(guò)2個(gè)3×3卷積層后，得到尺寸為Wi×Hi×256的特征圖．隨后分別進(jìn)入3個(gè)平行的預(yù)測(cè)分支：一個(gè)用于分類預(yù)測(cè)，輸出c個(gè)類別的置信度；一個(gè)用于回歸邊界框的4個(gè)偏移量；一個(gè)用于掩膜系數(shù)預(yù)測(cè)，對(duì)于k個(gè)原型掩膜，該分支也將輸出k個(gè)系數(shù)．因此，對(duì)于特征圖Pi， 該模塊共輸出ai=(c+4+k)×Wi×Hi×3個(gè)預(yù)測(cè)值．最后，將所有特征圖的預(yù)測(cè)結(jié)果進(jìn)行拼接，得到所有錨框的預(yù)測(cè)值．

通過(guò)預(yù)測(cè)模塊獲得候選框的集合，由于框體之間存在大量重疊，還需進(jìn)行篩選才能獲得最合適的檢測(cè)框結(jié)果，此操作被稱為非極大值抑制(non-maximum suppression, NMS)．傳統(tǒng)的NMS方法順序計(jì)算所有框之間的重疊程度，耗時(shí)巨大．為加快推理速度，F(xiàn)IN使用快速NMS方法[26]，通過(guò)并行計(jì)算進(jìn)行加速．首先，網(wǎng)絡(luò)輸出c個(gè)類別的n個(gè)檢測(cè)框，對(duì)于每個(gè)類別，n個(gè)檢測(cè)框按類別得分降序排列，生成一個(gè)大小為n×n的矩陣；計(jì)算該矩陣與自身的交并比(intersection over union, IoU)，獲得IoU矩陣X；對(duì)X進(jìn)行上三角化，得到X′；對(duì)X′按列取最大值，并與NMS閾值進(jìn)行比較，保留小于閾值的候選框，即為最后的檢測(cè)框．

預(yù)測(cè)模塊輸出的掩膜系數(shù)和原型掩膜，可通過(guò)線性組合生成預(yù)測(cè)的掩膜，即

M=σ(PCT)

(3)

其中，P為大小為Wi×Hi×k的原型掩膜矩陣；C為大小為m×k的掩膜系數(shù)矩陣，m為實(shí)例個(gè)數(shù)；σ(·)為sigmoid函數(shù)．計(jì)算得到的掩膜經(jīng)過(guò)檢測(cè)框裁剪，只保留邊框內(nèi)部的掩膜為最終預(yù)測(cè)掩膜．

該網(wǎng)絡(luò)的損失函數(shù)為

L=Lcls+Lbox+Lmask

(4)

其中，Lcls為分類損失函數(shù)；Lbox為檢測(cè)損失函數(shù)，二者詳細(xì)計(jì)算方式可見(jiàn)單階段多目標(biāo)檢測(cè)網(wǎng)絡(luò)(single shot multibox detector, SSD)[28]，掩膜預(yù)測(cè)的損失函數(shù)Lmask為預(yù)測(cè)掩膜M和金標(biāo)準(zhǔn)(ground truth, GT)掩膜MGT之間的二進(jìn)制交叉熵(binary cross entropy, BCE)，即Lmask=BCE(M,MGT)．

除了3個(gè)測(cè)量所需的解剖結(jié)構(gòu)，本研究額外增加了骨-軟骨結(jié)合處的實(shí)例分割，因?yàn)樵摻Y(jié)構(gòu)為標(biāo)準(zhǔn)切面的必備結(jié)構(gòu)之一，將其展示在圖像上有助于醫(yī)生辨識(shí)、強(qiáng)化理解標(biāo)準(zhǔn)切面的特征．

2 實(shí)驗(yàn)及結(jié)果分析

2.1 數(shù)據(jù)采集

本研究共采集634例嬰兒髖關(guān)節(jié)超聲數(shù)據(jù)，每例包含左右兩側(cè)髖關(guān)節(jié)的標(biāo)準(zhǔn)切面圖，其中185例包含髖關(guān)節(jié)超聲視頻．所有數(shù)據(jù)采集自廣東省婦幼保健院超聲科，超聲設(shè)備的型號(hào)為日立HIVSON，詳細(xì)數(shù)據(jù)分布如表1．其中，用于標(biāo)準(zhǔn)切面分類實(shí)驗(yàn)的185個(gè)病例包含329個(gè)超聲視頻，每個(gè)視頻均由高年資醫(yī)生(臨床經(jīng)驗(yàn)10年及以上)逐幀標(biāo)注出是否為標(biāo)準(zhǔn)切面．用于自動(dòng)測(cè)量實(shí)驗(yàn)的634個(gè)病例，包含1 321張超聲標(biāo)準(zhǔn)切面圖像，每個(gè)病例包含左右兩側(cè)髖關(guān)節(jié)圖像，每張圖均由高年資醫(yī)生標(biāo)注出4個(gè)關(guān)鍵解剖結(jié)構(gòu)(髂骨、髂骨下緣、盂唇和骨-軟骨結(jié)合處)的輪廓．

表1 標(biāo)準(zhǔn)切面分類數(shù)據(jù)和自動(dòng)測(cè)量實(shí)驗(yàn)集分布Table 1 Dataset of stand plane classification and automatic measurement 個(gè)

2.2 自動(dòng)識(shí)別標(biāo)準(zhǔn)切面實(shí)驗(yàn)及結(jié)果分析

2.2.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)將該網(wǎng)絡(luò)和常見(jiàn)的單分類網(wǎng)絡(luò)進(jìn)行對(duì)比．訓(xùn)練時(shí)僅使用約30%的標(biāo)準(zhǔn)切面，且不使用非標(biāo)準(zhǔn)切面，數(shù)據(jù)集劃分如表2．所有圖像統(tǒng)一縮放至224×224像素，且經(jīng)過(guò)圖像標(biāo)準(zhǔn)化的處理，即圖像像素矩陣減去其均值并除以其標(biāo)準(zhǔn)差．

表2 少樣本單分類網(wǎng)絡(luò)數(shù)據(jù)集劃分Table 2 Dataset partition of few-shot one class classifier 張

實(shí)驗(yàn)使用的單分類網(wǎng)絡(luò)有：① OCSVM．由于方向梯度直方圖(histogram of oriented gradient, HOG)能夠有效提取超聲圖像的特征[29]，因此先用該方法提取髖關(guān)節(jié)圖像的63 504維特征，再使用SVM學(xué)習(xí)特征向量并進(jìn)行分類．② deep SVDD[18]．基于單類別SVM的思想，使用神經(jīng)網(wǎng)絡(luò)擬合出一個(gè)包裹所有標(biāo)準(zhǔn)切面特征的超球體，通過(guò)最小化超球面的半徑來(lái)迭代優(yōu)化網(wǎng)絡(luò)模型．推理時(shí)，該模型將未知圖像映射到特征空間，可計(jì)算出該圖像特征與超球體的位置關(guān)系．若該樣本在球體內(nèi)部，則認(rèn)為該圖像為標(biāo)準(zhǔn)切面；反之，則為非標(biāo)準(zhǔn)切面．實(shí)驗(yàn)使用Resnet34作為特征提取的主干網(wǎng)絡(luò)，并丟棄最后的分類層，以特征空間原點(diǎn)為球心建立超球體模型，提取512維圖像特征計(jì)算超球體的半徑．③ Ganomaly[22]．該方法基于兩個(gè)一致性原理，即重建圖與原圖一致、重建圖的編碼與原圖的編碼一致，構(gòu)造出編碼-解碼-編碼的網(wǎng)絡(luò)結(jié)構(gòu)，并融入對(duì)抗訓(xùn)練的思想，使網(wǎng)絡(luò)同時(shí)學(xué)習(xí)到訓(xùn)練樣本的圖像特征和隱空間特征．④ FOC．使用pytorch學(xué)習(xí)框架，學(xué)習(xí)率為5×10-4，優(yōu)化器為隨機(jī)梯度下降法(stochastic gradient descent, SGD)，共迭代100個(gè)epoch．操作系統(tǒng)為L(zhǎng)inux，使用兩塊GPU進(jìn)行訓(xùn)練，型號(hào)為NVIDIA GTX 2080Ti．

單分類網(wǎng)絡(luò)輸出為圖像的標(biāo)準(zhǔn)置信度，無(wú)法根據(jù)訓(xùn)練集確定合適的分類閾值，因此實(shí)驗(yàn)使用需要包含標(biāo)準(zhǔn)切面和非標(biāo)準(zhǔn)切面的驗(yàn)證集的輔助驗(yàn)證，選取最優(yōu)模型．上述實(shí)驗(yàn)均使用五折交叉驗(yàn)證．

2.2.2 評(píng)估指標(biāo)

分類網(wǎng)絡(luò)的評(píng)估指標(biāo)包含接受者操作特征曲線下面積(area under the receiver operating characteristic curve, AUROC)、平均精度(average precision, AP)、FPR95、準(zhǔn)確率(accuracy, ACC)、精確率(precision)、召回率(recall)和F1值．其中，F(xiàn)PR95為常見(jiàn)的單分類性能評(píng)估指標(biāo)之一，表示TPR為95%時(shí)FPR的值，即陽(yáng)性樣本中的95%被正確分類時(shí)，陰性樣本中被誤分類為陽(yáng)性的比例，其值越小越好．在得到標(biāo)準(zhǔn)置信度的ROC曲線后，通過(guò)約登指數(shù)計(jì)算出最佳分類閾值，置信度高于此閾值，則認(rèn)為該圖為標(biāo)準(zhǔn)切面；反之，則為非標(biāo)準(zhǔn)．根據(jù)分類結(jié)果，可計(jì)算出ACC、precision、recall和F1值．

2.2.3 實(shí)驗(yàn)結(jié)果與分析

表4為不同分類網(wǎng)絡(luò)性能的定量評(píng)估結(jié)果．由表4可見(jiàn)，F(xiàn)OC網(wǎng)絡(luò)的所有指標(biāo)均優(yōu)于其他單分類網(wǎng)絡(luò)．圖5為不同分類網(wǎng)絡(luò)的AUROC曲線的對(duì)比．由圖5可見(jiàn)，F(xiàn)OC網(wǎng)絡(luò)的曲線高于其他網(wǎng)絡(luò)，說(shuō)明在僅使用少量樣本的情況下，其分類性能明顯優(yōu)于其他單分類網(wǎng)絡(luò)．原因在于幾何變換的組合擴(kuò)增了訓(xùn)練樣本量；監(jiān)督網(wǎng)絡(luò)識(shí)別幾何變換，可以促使網(wǎng)絡(luò)學(xué)習(xí)到標(biāo)準(zhǔn)切面的關(guān)鍵特征．

圖5 不同分類網(wǎng)絡(luò)ROC曲線對(duì)比Fig.5 Comparison of receiver operating characteristic curve of different classification networks

臨床上DDH超聲篩查更看重視頻中的標(biāo)準(zhǔn)切面能被正確識(shí)別的比例，即recall值越高越好．由表4可見(jiàn)，F(xiàn)OC網(wǎng)絡(luò)的recall值明顯高于其他分類器，表明其實(shí)用價(jià)值更高．但是，F(xiàn)OC網(wǎng)絡(luò)對(duì)非標(biāo)準(zhǔn)切面的識(shí)別能力較差，易將非標(biāo)準(zhǔn)切面誤判為標(biāo)準(zhǔn)切面，尤其是在識(shí)別一些接近標(biāo)準(zhǔn)但非標(biāo)準(zhǔn)的切面圖像時(shí)．如圖6(b)的非標(biāo)準(zhǔn)切面，髂骨下緣不夠清晰，但整體形態(tài)非常接近標(biāo)準(zhǔn)切面，由于FOC網(wǎng)絡(luò)沒(méi)有學(xué)習(xí)過(guò)此類負(fù)樣本的圖像特征，處理細(xì)微結(jié)構(gòu)差異的能力較差，因此將其誤判為標(biāo)準(zhǔn)切面．

圖6 FOC網(wǎng)絡(luò)分類結(jié)果示例Fig.6 Examples of classification results of FOC network

表4 不同單分類網(wǎng)絡(luò)性能的定量評(píng)估結(jié)果1)，2)Table 4 Quantitative evaluation results of different classification networks %

2.3 自動(dòng)測(cè)量實(shí)驗(yàn)及結(jié)果分析

2.3.1 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)將提出的自動(dòng)測(cè)量網(wǎng)絡(luò)與常用的語(yǔ)義分割網(wǎng)絡(luò)對(duì)比．由于語(yǔ)義分割網(wǎng)絡(luò)只輸出分割結(jié)果，為保證結(jié)果一致性，使用分割結(jié)果生成最小外接框并計(jì)算檢測(cè)相關(guān)的指標(biāo)．所有網(wǎng)絡(luò)輸入圖像大小均設(shè)為512×512像素，且經(jīng)過(guò)旋轉(zhuǎn)、平移、縮放和亮度變換等數(shù)據(jù)增強(qiáng)操作．

進(jìn)行對(duì)比實(shí)驗(yàn)的網(wǎng)絡(luò)包括：① FCN：先使用卷積網(wǎng)絡(luò)提取圖像特征，再通過(guò)反卷積將特征圖恢復(fù)到原圖大小，最后對(duì)每一個(gè)像素生成一個(gè)類別標(biāo)簽，從而實(shí)現(xiàn)語(yǔ)義分割．本實(shí)驗(yàn)中使用VGG16作為FCN的特征提取網(wǎng)絡(luò)．② Unet：該網(wǎng)絡(luò)通過(guò)跳躍連接，將不同尺度的特征圖依次融合入上采樣的過(guò)程，使網(wǎng)絡(luò)有效學(xué)習(xí)到多尺度的特征，提高了分割精度，已在醫(yī)學(xué)圖像領(lǐng)域得到廣泛應(yīng)用．③ deeplab V3[30]：基于Resnet網(wǎng)絡(luò)結(jié)構(gòu)的多重網(wǎng)格操作和改進(jìn)的空洞金字塔池化操作，能有效提取多尺度的圖像特征信息．在本實(shí)驗(yàn)中使用Resnet34作為骨干網(wǎng)絡(luò)．④ FIN：使用pytorch學(xué)習(xí)框架，學(xué)習(xí)率為1×10-4，優(yōu)化器為SGD，共迭代150個(gè)epoch．操作系統(tǒng)為L(zhǎng)inux，使用一塊型號(hào)為NVIDIA GTX 2080Ti的GPU進(jìn)行訓(xùn)練．上述實(shí)驗(yàn)均使用五折交叉驗(yàn)證．

2.3.2 評(píng)估指標(biāo)

1)檢測(cè)指標(biāo)：① 平均交并比(mean intersection over union, mIoU)，即所有類別預(yù)測(cè)框與真實(shí)框之間IoU的均值，反應(yīng)了檢測(cè)框與真實(shí)框之間的相似度，該值越大越好；② 平均精度均值(mean average precision, mAP)，即所有類別的平均精度的均值．手動(dòng)設(shè)定一個(gè)閾值，當(dāng)IoU大于該閾值，則認(rèn)為該預(yù)測(cè)框預(yù)測(cè)正確，反之則錯(cuò)誤．設(shè)置不同閾值，可以計(jì)算不同的precision和recall值，并計(jì)算出平均精度．mAP值越大越好．

2)分割指標(biāo)：① Dice相似性系數(shù)(Dice similarity coefficient, DSC)用于評(píng)估兩個(gè)分割區(qū)域X和Y的相似性，即

(5)

在本研究中， DSC(X,Y)用于計(jì)算網(wǎng)絡(luò)分割結(jié)果和標(biāo)注結(jié)果的相似度，其值越大相似度越高；② Jaccard系數(shù)(Jaccard coefficient, JAC)用于衡量?jī)蓚€(gè)分割區(qū)域X和Y之間的相似性，即

(6)

JAC值越大表明兩個(gè)區(qū)間相似度越高；③ Hausdorff距離(Hausdorff distance, HD)用于描述兩個(gè)分割區(qū)域X和Y邊緣之間的距離，即

(7)

其中，x和y分別區(qū)域X和Y中的點(diǎn)；d(x,y)表示點(diǎn)x和點(diǎn)y之間的歐氏距離；sup代表上確界；inf代表下確界．HD值越小越好；④平均表面距離(average surface distance, ASD)表示分割結(jié)果X的所有的到表面距離的平均值，即

(8)

其中，S(X)和S(Y)分別表示分割區(qū)域X和Y的邊緣線，sX和sY為X和Y的邊緣點(diǎn)；d(sX,sY)為sX和sY的歐式距離．ASD值越小越好．

3)測(cè)量指標(biāo)：采用平均絕對(duì)誤差(mean absolute error, MAD)計(jì)算預(yù)測(cè)角度與標(biāo)準(zhǔn)角度之間的絕對(duì)誤差，該值越小表示角度預(yù)測(cè)越準(zhǔn)確．

4)推理速度：采用每秒處理幀數(shù)(frames per second, FPS)反應(yīng)網(wǎng)絡(luò)推理的速度．為保證結(jié)果公正，本實(shí)驗(yàn)中的時(shí)間計(jì)算考慮到網(wǎng)絡(luò)推理和自動(dòng)測(cè)量，且不同網(wǎng)絡(luò)的測(cè)量操作相同．

此外，在計(jì)算檢測(cè)和分割指標(biāo)時(shí)去除了背景類，以防大面積的背景對(duì)結(jié)果可靠性造成影響．

2.3.3 實(shí)驗(yàn)結(jié)果與分析

表5為不同網(wǎng)絡(luò)的目標(biāo)檢測(cè)和分割性能．由表5可見(jiàn)，F(xiàn)IN網(wǎng)絡(luò)的所有指標(biāo)都優(yōu)于其他網(wǎng)絡(luò)，其中mIoU和mAP值高說(shuō)明該網(wǎng)絡(luò)對(duì)解剖結(jié)構(gòu)的定位更精準(zhǔn)；DSC和JAC指標(biāo)高說(shuō)明該網(wǎng)絡(luò)對(duì)解剖結(jié)構(gòu)的分割更準(zhǔn)確；HD和ASD值低說(shuō)明該網(wǎng)絡(luò)在結(jié)構(gòu)輪廓上的分割更好；FPS=33.88幀/s，符合實(shí)時(shí)測(cè)量的要求．雖然FCN的FPS也超過(guò)了30幀/s，但它們?cè)诜指钆c檢測(cè)的任務(wù)上表現(xiàn)欠佳．可見(jiàn)，單階段的實(shí)例分割網(wǎng)絡(luò)架構(gòu)和快速NMS方法能夠有效使FIN兼顧了速度與精準(zhǔn)度，綜合性能優(yōu)于其他分割網(wǎng)絡(luò)．

表5 不同網(wǎng)絡(luò)目標(biāo)檢測(cè)及分割性能的定量評(píng)估結(jié)果1)2)Table 5 Quantitative evaluation results of object detection and segmentation performance of different networks

圖7為不同網(wǎng)絡(luò)分割結(jié)果的定性展示，限于篇幅，更多定性對(duì)比分割結(jié)果圖請(qǐng)掃描論文頁(yè)末右下角二維碼查看補(bǔ)充材料圖S1．其中，圖7(a)為醫(yī)生標(biāo)注的標(biāo)準(zhǔn)圖；圖7(b)—(d)為不同語(yǔ)義分割網(wǎng)絡(luò)輸出結(jié)果；圖7(e)為FIN的分割結(jié)果．由圖7可見(jiàn)，語(yǔ)義分割網(wǎng)絡(luò)的輸出結(jié)果會(huì)出現(xiàn)分割缺失的現(xiàn)象，如盂唇分割不全(圖7(c)紅色區(qū)域)和骨軟骨結(jié)合處分割不全(圖7(d)紫色區(qū)域)等；也會(huì)出現(xiàn)誤分割的現(xiàn)象，將其他結(jié)構(gòu)識(shí)別為目標(biāo)結(jié)構(gòu)(圖7(b)綠色區(qū)域、圖7(d)綠色和紫色區(qū)域)等．補(bǔ)充材料圖S1從更多方面展示了語(yǔ)義分割的誤差，例如平直髂骨誤分割為髂骨下緣(第1行第2第3列綠色區(qū)域)、骨軟骨交界處誤分割為平直髂骨(第2行第3列藍(lán)色區(qū)域)等．上述分割的誤差不僅影響結(jié)構(gòu)的標(biāo)識(shí)，也會(huì)影響角度測(cè)量的精度．與語(yǔ)義分割網(wǎng)絡(luò)相比，F(xiàn)IN網(wǎng)絡(luò)明顯改善了上述問(wèn)題，同時(shí)在分割的完整性上得到了提升，原因在于多任務(wù)的學(xué)習(xí)模式使得各個(gè)任務(wù)之間互相促進(jìn)，同時(shí)檢測(cè)任務(wù)可有效過(guò)濾了非目標(biāo)區(qū)域的誤分割結(jié)果．

補(bǔ)充材料

圖7 不同網(wǎng)絡(luò)分割結(jié)果定性展示Fig.7 Qualitative display of different network segmentation results

表6為不同網(wǎng)絡(luò)自動(dòng)測(cè)角的MAD性能．其中，F(xiàn)IN網(wǎng)絡(luò)有著最高的測(cè)量精度，α角的MAD為2.48°，β角的MAD為4.38°，二者均為最低．圖8可視化了FIN角度測(cè)量結(jié)果，與標(biāo)準(zhǔn)測(cè)量值誤差很?。瑫r(shí)，該實(shí)驗(yàn)額外統(tǒng)計(jì)不同醫(yī)生間手工測(cè)量的誤差．對(duì)于每一張測(cè)試用圖，由高年資醫(yī)生標(biāo)注出標(biāo)準(zhǔn)數(shù)值，再由其他醫(yī)生獨(dú)立手動(dòng)測(cè)量一遍，二者的差值即為手工測(cè)量誤差．由表6可見(jiàn)，F(xiàn)IN網(wǎng)絡(luò)的角度誤差小于手工測(cè)量誤差，說(shuō)明該方法可減少不同醫(yī)生之間的測(cè)量差異，輔助臨床篩查更標(biāo)準(zhǔn)化和精確化．

圖8 FIN網(wǎng)絡(luò)自動(dòng)測(cè)量角度結(jié)果可視化示例Fig.8 Example of FIN network automatic angle measurement results

表6 不同網(wǎng)絡(luò)自動(dòng)測(cè)量結(jié)果與標(biāo)準(zhǔn)值的MAD1)Table 6 MAD between automatic measurement results and standard values of different networks

結(jié) 語(yǔ)

提出一個(gè)智能化DDH輔助診斷系統(tǒng)，讀取嬰兒髖關(guān)節(jié)超聲視頻后，通過(guò)FOC網(wǎng)絡(luò)模塊自動(dòng)識(shí)別標(biāo)準(zhǔn)切面，隨后將標(biāo)準(zhǔn)切面輸入FIN模塊，快速測(cè)量出α角和β角后，再將可視化測(cè)量結(jié)果展示于關(guān)鍵解剖結(jié)構(gòu)標(biāo)識(shí)．與其他基準(zhǔn)網(wǎng)絡(luò)OCSVM、deep SVDD和Ganomaly的對(duì)比實(shí)驗(yàn)結(jié)果表明，F(xiàn)OC網(wǎng)絡(luò)對(duì)標(biāo)準(zhǔn)切面的識(shí)別存在明顯優(yōu)勢(shì)．FIN網(wǎng)絡(luò)在速度和精度上均優(yōu)于FCN、Unet和deeplab V3網(wǎng)絡(luò)．該系統(tǒng)對(duì)標(biāo)注數(shù)據(jù)量的要求較低，可提升DDH臨床篩查的同質(zhì)化水平，控制測(cè)量質(zhì)量，提高臨床醫(yī)生的工作效率．