Datensatz mit maternaler-fetaler Ultraschallvideoaufnahmen für End-to-End-Intrapartum-Biometrie und Multi-Task-Lernen

Warum die Messung des Geburtsverlaufs wichtig ist

Wenn ein Kind geboren wird, müssen Ärztinnen, Ärzte und Hebammen ständig beurteilen, wie die Geburt voranschreitet und ob Mutter und Kind sicher sind. Heute beruhen diese Einschätzungen stark auf der Fähigkeit, in Echtzeit unscharfe Ultraschallbilder zu lesen. Das erfordert jahrelange Ausbildung und kann dennoch langsam und subjektiv sein. Dieser Artikel stellt eine neue öffentliche Sammlung kurzer Ultraschallvideos vor, die während der Geburt aufgenommen und von Expertinnen und Experten sorgfältig beschriftet wurden, um Forschenden zu ermöglichen, KI-Systeme zu entwickeln, die automatisch verfolgen können, wie weit der Kopf des Babys abgesunken ist. Langfristig könnten solche Werkzeuge weltweit zu sichereren und konsistenteren Entscheidungen im Kreißsaal beitragen.

Ein neues Fenster in die Geburt in Echtzeit

Die Autorinnen und Autoren konzentrieren sich auf eine spezielle Art von Untersuchung, den Intrapartum-Ultraschall, der tatsächlich während des Geburtsverlaufs durchgeführt wird. Diese Aufnahmen sind kostengünstig, weit verbreitet und haben das Potenzial, Todesfälle bei Geburt zu verringern — eine Zeit, in der fast die Hälfte aller mütterlichen und neugeborenen Todesfälle auftritt. Fachgesellschaften haben detaillierte Leitlinien veröffentlicht, welche Blickrichtungen zu erfassen und welche Messungen am besten geeignet sind, den Durchtritt des Babys durch den Geburtskanal zu beschreiben. Zwei der wichtigsten Messgrößen sind der Progressionswinkel und der Abstand zwischen Kopf und Symphyse, die zusammen angeben, wie weit und wie schnell sich der Kopf des Babys vorarbeitet. Bisher gab es jedoch keinen großen öffentlichen Videodatensatz, der diese Blickrichtungen während der Geburt zeigt und sie mit den für Ärztinnen und Ärzte relevanten Messwerten verknüpft.

Von Rohvideos zu reichhaltig annotierten Daten

Um diese Lücke zu schließen, sammelte das Team Ultraschallaufzeichnungen von 774 gebärenden Frauen, die jeweils ein einzelnes, kopfvoran liegendes Kind in voller oder übertragener Reife trugen. Die Aufnahmen stammten aus drei großen Krankenhäusern und von drei verschiedenen Ultraschallgeräten, wodurch die Daten repräsentativer für die Praxis in der realen Welt sind. Jeder kurze Clip dauert etwa zwei Sekunden und besteht aus Dutzenden von Bildern, die den Kopf des Babys und den Beckenknochen der Mutter seitlich zeigen. Die Forschenden brachten alle Videos auf eine einheitliche Größe, entfernten identifizierende Informationen wie Namen oder Daten und standardisierten die Bilder so, dass die physikalische Skala über die Geräte hinweg erhalten bleibt. Diese sorgfältige Aufbereitung macht die Sammlung zu einer fairen Testumgebung für neue Computerprogramme.

Wie Expertinnen und Experten dem Computer beibrachten, was zu sehen ist

Die Erstellung nützlicher Trainingsdaten erforderte weit mehr als das Speichern von Videodateien. Erfahrene Ultraschallexpertinnen und -experten untersuchten die Clips Bild für Bild. Für ausgewählte Frames zeichneten sie die Kontur des Kopfes des Babys und die Schambeinfuge der Mutter nach und erzeugten farbige Masken, die zeigen, wo sich die jeweiligen Strukturen befinden. Außerdem markierten sie Schlüssel-Punkte entlang dieser Konturen — vier spezielle Punkte, mit denen sich der Progressionswinkel und der Abstand von der Symphyse zum Kopf rekonstruierten lassen. Darüber hinaus kennzeichneten sie ganze Videos anhand mehrerer Ja-/Nein-klinischer Fragen und verwandelten so jeden Clip in eine kompakte Zusammenfassung dessen, zu welchem Ergebnis ein automatisiertes System kommen sollte. Die Autorinnen und Autoren organisierten all diese Informationen in klaren Ordnern, Tabellen und Koordinatendateien, damit andere sie leicht in ihre eigenen Algorithmen einpflegen können.

Überprüfung, ob menschliche Labels vertrauenswürdig sind

Da Computermodelle nur so zuverlässig sein können wie die Beispiele, aus denen sie lernen, widmete das Team erhebliche Anstrengungen der Prüfung, wie konsistent verschiedene Expertinnen und Experten dieselben Videos beschrifteten. Drei Annotatorinnen und Annotatoren aus den teilnehmenden Krankenhäusern überprüften unabhängig voneinander einen gemeinsamen Satz von 150 Videos. Die Forschenden verglichen dann die Arbeit jeder Person mit einem zusammengeführten „Konsens“-Standard. Bei groben Entscheidungen — etwa ob ein Frame die richtige Blickrichtung zeigte — war die Übereinstimmung sehr hoch. Auch beim Nachzeichnen der Kontur des Schambeins war die Konsistenz stark. Die Segmentierung des Kopfes des Babys und die genaue Ableitung von Winkel- und Distanzmessungen erwiesen sich als herausfordernder, was die grundlegende Schwierigkeit widerspiegelt, schwache, verschattete Kanten in verrauschten Ultraschallbildern nachzuzeichnen. Dennoch war das Maß der Übereinstimmung ausreichend, um sinnvolles Training und Testen neuer Methoden zu unterstützen.

Ein Starter-Kit für intelligentere Wehenüberwachung

Um anderen den Einstieg zu erleichtern, stellen die Autorinnen und Autoren ein einfaches Beispielmodell zur Verfügung, das zunächst in jedem Frame den Kopf des Babys und das Becken der Mutter hervorhebt und anschließend diese Formen zur Schätzung der Schlüsselmessungen verwendet. Obwohl dieses Basis-System weit davon entfernt ist, perfekt zu sein, zeigt es, wie der Datensatz „End-to-End“-Ansätze unterstützen kann, die direkt von Rohvideo zu klinisch relevanten Zahlen gelangen. Die Autorinnen und Autoren besprechen auch aktuelle Einschränkungen, wie die Schwierigkeiten beim Umgang mit besonders schlechter Bildqualität und die Tatsache, dass selbst Expertinnen und Experten in Bezug auf das genaue Ende des Babykopfes etwas uneins sind. Indem sie die Videos und Labels frei zugänglich machen, laden sie die breite Forschungsgemeinschaft dazu ein, diese Herausforderungen anzugehen, mit dem langfristigen Ziel, objektivere und zugänglichere Werkzeuge zur Entscheidungsfindung während der Geburt zu entwickeln.

Zitation: Niu, M., Bai, J., Gao, Y. et al. Maternal-Fetal Ultrasouno Video Dataset for End-to-end Intrapartum Biometry and Multi-task Learning. Sci Data 13, 327 (2026). https://doi.org/10.1038/s41597-026-06900-5

Schlüsselwörter: Intrapartum-Ultraschall, Wehenüberwachung, Abstieg des fetalen Kopfes, KI in der medizinischen Bildgebung, klinischer Videodatensatz