Lightweight and Real-Time Deep Learning Models for Fetal Head Segmentation: A Review of Techniques and Applications
Notice bibliographique
Résumé
Accurate fetal biometric parameters, such as head circumference, biparietal diameter, and occipitofrontal diameter of the head are important for prenatal diagnosis and growth tracking. Manually measuring them from ultrasound or magnetic resonance imaging is time consuming and depends too much on the operator. This has led to the use of artificial intelligence and deep learning for automation. Recently, convolutional neural networks, encoder decoder architectures, and hybrid attention mechanisms have greatly increased segmentation accuracy and speed. This survey reviews recent advances from 2021 to 2025 in automatic fetal head and brain segmentation and biometric estimation. Different imaging methods and problem formulations are covered, including real time light weight models, advanced U net and Atrous pooling variants, multi-task methods for standard plane identification, Spatio temporal models for videos and volumes, and classical shape constrained postprocessing. This study also summarizes dataset features, evaluation metrics, and benchmark results, highlighting the lack of a standard ultrasound dataset as a key limitation. Major problems discussed include acoustic artifacts, motion induced distortion, lack of data, and variation across scanners and populations. Promising research directions include self-supervised learning, uncertainty, adaptation across domains, and whole examination AI systems tested through prospective clinical trials. Overall, it is found that deep learning based fetal biometry systems are nearing clinical use. Future work will need to focus on making them more robust, explainable, and able to be integrated into obstetric imaging workflows.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».