1.课题来源与背景：本课题由国家自然科学基金资助，资助类别：面上项目，项目名称：胎儿超声智能扫查方法研究:标准切面定位及生物学参数测量的自动化，资助经费：70.00 万元，执行年限:2013.01-2016.12。标准切面的定位和生物学参数的测量是超声产前诊断的关键。本项目提出一种胎儿产前诊断智能化扫查的新方法，旨在实现标准切面定位及生物学参数测量的自动化。本项目以胎儿颜面部及心脏的 二维超声影像为研究内容，主要研究基于机器学习的超声图像分析新方法，具体为:研究自动获取颜 面部冠状切面、横切面、矢状切面和四腔心切面、左室流出道切面、右室流出道切面、三血管气管切 面图像以及测量眼距、眼内距、眼外距、左右心房、左右心室、主动脉、肺动脉等生物学参数的新方 法。提出针对胎儿颜面部及心脏标准切面的特征提取方法、学习模型、检测架构和生物学参数测量算 法，构建一套快速、全自动、稳定可靠、界面友好的胎儿产前超声检查系统，以及用于评价不同算法 的标准超声影像及图像数据库。本项目将为机器学习在超声医学图像分析领域的应用奠定科学基础， 推动胎儿产前超声检查在我国的全面普及，对提高我国超声产前诊断水平，提高出生人口素质有重要意义。

    2.技术原理及性能指标：(1)研究二维超声影像中，胎儿颜面部及心脏标准切面图像的自动获取新方法。(2)研究标准切面图像中，与筛查畸形相关的生物学参数的自动测量算法。(3)研究标准切面图像获取可靠性和测量准确度的评价方法。(4)构建产前超声诊断“智能扫查”系统。

    3.技术的创新性与先进性：(1)首次提出超声“智能扫查”这一概念，即在实时二维超声扫查过程中，自动获取解剖结构(如胎儿颜面部及心脏)标准切面并进行生物学测量，为原始自主创新研究;(2)首次融合尚未在超声医学图像目标检测中应用过的 HOG、LBP、shape context 等特征和基于 Boosting 或深度学习的特征选择方法，以 SVM 为主构建形变部分模型， 再与序列估计技术相结合生成混合学习模型，此模型能反映临床上对标准切面的定义。 提出基于切面类型估计的多切面检测架构来解决联合多目标检测问题，使检测速度与单 目标检测相当。(3)通过机器学习方法自动提取包含隐含在专家标准中的先验知识以引导分割算法， 可将测量不同生物学参数的算法统一到一个框架下，增强算法的自适应性，鲁棒性。(4)本课题所提出的算法框架是机器学习领域发展的前沿，可以很方便的扩展到胎 儿其他重要切面的检查与测量中。此项研究可建立具有自主知识产权、可产品化的胎儿 产前标准化超声检查技术体系，填补国内外在此研究领域的空白，为我国优生优育政策 提供技术支撑。

    4.应用情况及存在的问题：项目组正在积极进行产业化。

    5.历年获奖情况：(1)胎儿畸形产前产后超声影像技术与病理解剖系列研究及推广应用，获 2013 年中华医学科技奖三等奖(第一完成人);(2) 胎儿畸形产前产后超声影像技术与病理解剖系列研究及推广应用，获 2013 年广东省科技奖三等奖(第一完成人);(3)胎儿畸形产前产后超声影像技术与病理解剖系列研究及推广应用，获 2014 年广东省优生优育金域科技进步奖二等奖(第一完成人)。