用于端到端产程生物测量和多任务学习的母胎超声视频数据集

为什么衡量分娩进展很重要

当婴儿出生时，医生和助产士必须不断判断产程进展以及母婴是否安全。如今，这些判断在很大程度上依赖医生实时读取模糊超声图像的能力。这需要多年的训练，并且仍然可能缓慢且带有主观性。本文介绍了一个新的公开短超声视频集合，这些视频在分娩过程中采集并由专家精心标注，旨在帮助研究人员构建能够自动追踪胎头下降程度的人工智能系统。从长远看，这类工具可能支持全球产房中更安全、更一致的决策。

实时观测产程的新窗口

作者关注一种称为产程内超声的特定扫描类型，即在产程真正进行时拍摄的超声。此类扫描成本低、普及广泛，并有潜力减少分娩期间的死亡——这是母婴死亡近一半发生的时期。专业学会已发布详细指南，描述应采集哪些视图以及哪些测量最能反映胎儿通过产道的情况。其中两项最重要的指标是进展角（angle of progression）和头—耻骨联合距离（head–symphysis distance），二者共同描述胎头推进的距离和速度。然而，直到现在，还没有大型公开视频数据集展示这些产程视图并将其与临床关心的测量值关联起来。

从原始视频到丰富标注的数据

为填补这一空白，团队收集了774名产妇的超声录像，这些产妇均为单胎、头位且足月或过期妊娠。扫描来自三家大型医院和三种不同的超声设备，使数据更具真实世界代表性。每个短片约持续两秒，由几十帧组成，从侧面显示胎头和母亲的骨盆骨。研究者将所有视频转换为统一尺寸，删除任何识别信息（如姓名或日期），并标准化图像以在不同设备间保留物理尺度。这样的细致准备使得该集合可以作为新计算程序的公平测试平台。

专家如何教会计算机“看见”

创建有用的训练数据不仅仅是保存视频文件那么简单。经验丰富的超声专家逐帧检查这些剪辑。在选定帧上，他们标注出胎头和母亲耻骨的轮廓，生成彩色掩码以显示每个结构的位置。他们还在这些轮廓上标出关键标志点——四个特殊点可用于重建进展角以及耻骨到胎头的距离。此外，专家还根据若干临床是/否问题对整段视频进行标注，将每个片段转化为自动系统应得出结论的简明摘要。作者将所有这些信息组织成清晰的文件夹、表格和坐标文件，便于他人将其接入自己的算法。

检验人工标注的可信度

由于计算模型的可靠性取决于其学习示例的质量，团队投入大量精力测试不同专家对相同视频的标注一致性。来自参与医院的三位标注员独立审阅了共享的150段视频集。研究者随后将每个人的工作与一个合并的“共识”标准进行比较。对于广泛判断（例如某一帧是否显示正确视图），一致性非常高。对于描绘耻骨轮廓的一致性也很强。分割胎头并得出精确的角度和距离测量更具挑战性，这反映出在噪声较高的超声图像中追踪微弱阴影边缘的固有困难。即便如此，一致性水平仍足以支持新方法的有意义训练与测试。

一个用于更智能分娩监测的起步包

为帮助他人快速上手，作者提供了一个简单的示例计算模型，首先在每帧中突出显示胎头和母亲的骨盆骨，然后利用这些形状估算关键测量值。尽管该基线系统远非完美，但它展示了数据集如何支持从原始视频直接到临床相关数值的“端到端”方法。作者还讨论了当前的局限性，例如处理特别低质量图像的难度以及即使专家之间对胎头确切终点也存在一定分歧这一事实。通过免费提供视频和标注，他们邀请更广泛的研究社区来解决这些挑战，其最终目标是开发更客观、易获取的工具，以指导分娩过程中的决策。

引用: 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

关键词: 产程超声, 分娩监测, 胎头下降, 医学影像人工智能, 临床视频数据集