應用輕量化深度學習模型進行第一孕期胎兒超音波之頭部正中矢切面辨識

研究背景：胎兒先天性異常為新生兒在出生時所出現的構造及功能異常，第一孕期的超音波(FTUS)檢查－尤其是胎兒頭部正中矢切面(MSP)下的頸部透明帶(NT)測量，可有效於早期篩檢出近半的重大異常，國際婦產科超音波醫學會(ISUOG)也為此訂定了檢查標準，以期能改善產前先天性異常的診斷率；然而由於訓練困難及設備等原因，在資源有限區域仍並不普及。手持超音波輔以導入人工智慧(AI)來輔助胎兒超音波診斷便有了其發展的必要性。
研究目的：傳統的人工智慧影像分類模型需大量計算資源，不利於手持裝置及資源有限區域使用，故本研究將結合邊緣運算及深度學習技術，針對MSP影像進行分類，以期未來可協助臨床產科照護人員進行精準且即時的診斷。主要貢獻如下：
(1)以經典及本研究所提出的輕量化深度學習模型，探討多種深度學習模型對於第一孕期胎兒頭部MSP進行分類的表現，並以多種資料前處理方法優化資料集，增強模型的泛化性及準確度。
(2)應用量化技術(PTQ)於超音波影像分類的深度學習模型，比較不同深度學習模型的大小在不同量化模式(FP32, FP16, INT8)差異下，對於其準確度及效率的影響。
(3)探討超音波影像量化分類模型移植於邊緣運算設備的可行性，本研究將模型實際於低運算能力的樹梅派邊緣運算設備進行模型推理後測量時間，並運用Grad-CAM呈現模型分類時所關注的區域(ROI)，以驗證分類結果的臨床可解釋性，初步驗證基於邊緣人工智慧之超音波影像分類輔助診斷系統之可行性。
研究方法：使用2022發表的Dataset for Fetus Framework公開資料集，包含標準和非標準兩種不同分類共1684張的影像，在數據前處理後，於傳統及輕量化的CNN模型訓練，以分類正確性及運算效能來進行相關成果分析，最後移植至邊緣運算設備進行模型推理並比對驗證成果。
研究結果：我們以MobileNet-V2為骨架設計出MobileSonoNet模型，可進一步輕量化並將準確度提升到85.26%，在模型進行PTQ壓縮後，仍能保持良好準確率84.62%，並在Raspberry Pi上推論得到極高的儲存空間優化2.1189 MB及推理效率0.0328 second。
研究討論：使用資料前處理後，MobileSonoNet對低解析度的影像仍有優秀的準確度，在MSP影像分類上同時具有泛化性及耐壓縮的特質，移植至樹梅派也可進行高效能運算並正確進行分類，未來可進一步以手持超音波的影像進行測試，改良成及時的影片運算判讀，並研發跨行動平台的操作介面。
研究結論：MobileSonoNet可有效運用在邊緣運算設備，輔助資源有限區域進行第一孕期的超音波篩檢。