基於深度學習進行胎兒超音波影像自動分類

胎兒超音波檢查是產前診斷中最常見且關鍵的影像技術之一，具備非侵入性、即時成像、低風險及相對低成本等優勢，可廣泛應用於孕期各階段的胎兒生長監測與異常篩檢。在台灣，此項檢查已被納入全民健康保險給付，成為常規產檢的一部分。透過標準切面與定量測量(如雙頂徑、股骨長、頸部透明帶等)，超音波可提供胎兒器官結構、發育進度與血流動態等多重資訊。然而，目前超音波影像的解讀與分類仍高度依賴醫師經驗，受限於影像品質、胎兒姿勢、母體條件與操作技巧，極易出現主觀誤判與結果不一致的問題，對臨床診斷準確性造成潛在風險。
近年來，隨著人工智慧特別是深度學習技術的蓬勃發展，醫學影像分析逐步邁向自動化與標準化。深度學習模型透過大量資料進行端對端訓練，可自動學習影像中的抽象特徵與分類邏輯，已廣泛應用於各類疾病的檢測與預測中。在胎兒超音波領域，多項研究證實卷積神經網路(CNN)在器官分類、標準切面判別與異常偵測等任務中具有高度潛力。本研究即以此為基礎，著手設計一套適用於懷孕初期、懷孕中期、懷孕後期之多類別胎兒超音波影像自動分類系統，期望協助臨床醫師減少工作負擔、提高判讀一致性與診斷準確性。
本研究共收集自台兒診所之121類超音波影像資料，懷孕前期(43類)、中期(54類)、後期(24類)，每個分類1000張，共收集121,000張影像，涵蓋灰階、彩色都卜勒與流速圖等多樣格式。影像依孕期與部位標記後進行標準化與資料增強處理，並分別導入四種常見CNN模型(DenseNet、GoogLeNet、ResNet、EfficientNet)進行訓練與評估。模型訓練採遷移學習策略，於MATLAB平台實作，並使用多分類混淆矩陣與 Cohen’s kappa coefficient 作為性能評估指標，從準確率與分類一致性兩面向進行全方位比較。

實驗結果顯示，DenseNet 在三個孕期的分類任務中整體表現最佳，特別是在懷孕後期分類中達到97.73%的驗證準確率與0.9754的kappa值，優於其他模型。ResNet 緊追其後，特別擅長處理彩色都卜勒影像。GoogLeNet 受限於輸入解析度與卷積核設計，在局部結構如手部、腳趾等分類表現稍弱；EfficientNet 雖具輕量化與效能均衡優勢，惟對於左右鏡像結構與細部辨識仍有待加強。整體而言，各模型在大結構部位表現穩定，誤判主要集中於對稱性結構(如左右心室流出道、髖骨角度)與細粒度差異不明顯之類別。
本研究亦針對誤分類熱點進行剖析，並提出改善策略，包括調整資料增強方式(避免對對稱性類別進行鏡像與旋轉)、合併難以區分的類別標籤、引入注意力機制與位置編碼模組等方式，以提升模型對細部與位置資訊的敏感度。此外，透過與文獻對照發現，本研究所涵蓋的分類數量遠高於多數先前研究，但仍能維持良好效能，顯示本系統具備實用性與良好泛化潛力。
綜合而言，本研究證實深度學習技術可有效應用於多類別胎兒超音波影像自動分類，未來若能進一步導入動態影像、跨機構資料與多模態融合，將有望建構具臨床決策輔助價值的智慧型診斷系統，進一步提升產前醫療品質與效率。