A comprehensive review of artificial intelligence - based algorithm towards fetal facial anomalies detection (2013--2024) (Artificial Intelligence Review 2025) (一区)
【核心目标】
本文探讨了2013-2024年间基于人工智能的算法在胎儿面部异常检测中的应用。研究重点聚焦于解决当前超声和MRI等成像技术在检测胎儿面部异常时面临的挑战，包括低分辨率、运动伪影和标注数据不足等问题。
【三方面分类】
- 成像模态：2D超声、3D超声或MRI
- AI算法类型：深度学习、经典机器学习、分割方法等
- 目标异常类型：唇腭裂、小颌畸形、眼距过宽等
【数据相关挑战】
- 数据不平衡：罕见异常病例数量有限
- 标注质量不一：依赖临床医生人工标注
- 数据集规模限制：多数研究使用少于1k张标注图像
HarmonicEchoNet: Leveraging harmonic convolutions for automated standard plane detection in fetal heart ultrasound videos (Medical Image Analysis 2025) (一区)
【核心目标】
提出了一种新颖的轻量级深度学习模型，用于自动检测胎儿心脏超声视频中的标准切面。
【改进】
- 替换标准卷积：利用离散余弦变换（DCT）滤波器提取空间频率信息，替代传统卷积核，增强对细微特征的捕捉能力。
- hscSE注意力机制：结合谐波空间与通道注意力模块（hscSE），动态聚焦图像关键区域，优化特征提取。
- 轻量化设计：仅包含5个HC块和5个hscSE块，参数量仅19.9M（比基准模型ConvNeXt小10倍）。
Prediction of IUGR condition at birth by means of CTG recordings and a ResNet model (Computers in Biology and Medicine 2025) (一区)
【核心目标】
利用产前胎心监护（CTG）信号和深度学习技术，预测新生儿是否患有宫内生长受限（IUGR）。
【具体步骤】
- 用胎心、宫缩信号做输入，孕周做标签，进行预训练
- 用含有确切生长受限标签的样本做微调
