Foundation Model-driven Key Anatomy Frame Selection for Blind-sweep Ultrasound Fetal Birth Weight Estimation

📄 arXiv: 2607.00745v1 📥 PDF

作者: Le Ou, Xiliang Zhu, Huanwen Liang, Wenxiong Pan, Yuhao Huang, Yuxiang Deng, Xuan Sheng, Hong Yin, Juhua Xiao, Xin Zhou, Dong Ni

分类: cs.CV

发布日期: 2026-07-01

备注: Accepted by MICCAI 2026. 10 pages, 2 figures. Code: https://github.com/ouleoule/BlindSweep-EBW

🔗 代码/项目: GITHUB

💡 一句话要点

提出基础模型驱动的关键解剖帧选择框架以解决盲扫超声胎儿出生体重估计问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 胎儿出生体重 盲扫超声 关键帧选择 视觉-语言模型 特征压缩 自动化评估 临床应用

📋 核心要点

  1. 现有方法依赖于操作员的专业技能，尤其在资源匮乏的环境中，导致胎儿出生体重估计的准确性受到限制。
  2. 论文提出了一种基于视觉-语言基础模型的解剖引导帧选择模块，能够在无约束的盲扫中收集关键帧。
  3. 在对839名患者的前瞻性数据进行广泛验证后，方法实现了161.3克的平均绝对误差，90.23%和100%的案例在10%和15%的绝对百分比误差范围内，超越了传统的Hadlock估计和其他竞争方法。

📝 摘要（中文）

准确的胎儿出生体重（FBW）估计在临床上具有重要价值，但由于依赖操作员的专业技能，尤其是在资源匮乏的环境中，面临挑战。为减少这种依赖，我们研究了在分娩前48小时内获取的盲扫超声视频中的近期期出生体重回归，使用产后称重作为真实值。我们提出了一种基础模型驱动的关键解剖帧选择框架，使得在盲扫中没有平面约束的情况下也能实现准确的FBW回归。我们的研究首次使用盲扫超声视频进行FBW估计，实现了操作员独立评估。

🔬 方法详解

问题定义：本研究旨在解决胎儿出生体重估计中对操作员专业技能的依赖问题，尤其是在低资源环境下，现有方法的准确性受到限制。

核心思路：通过引入基础模型驱动的关键解剖帧选择框架，论文旨在实现盲扫超声视频的自动化分析，从而减少对操作员的依赖。

技术框架：整体架构包括两个主要模块：解剖引导帧选择模块和冗余感知特征压缩模块。前者负责从盲扫视频中提取关键帧，后者则压缩帧特征以保留任务相关信息，减轻时间冗余。

关键创新：本研究的主要创新在于首次使用盲扫超声视频进行胎儿出生体重估计，并通过视觉-语言模型实现关键帧的自动选择，与传统方法相比，显著提高了估计的准确性和操作独立性。

关键设计：在解剖引导帧选择模块中，采用了视觉-语言模型进行关键帧的选择，冗余感知特征压缩模块则通过特征压缩算法优化了信息保留，确保了模型在处理盲扫视频时的有效性。具体的损失函数和网络结构细节在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，该方法在839名患者的数据集上实现了161.3克的平均绝对误差，90.23%和100%的案例分别在10%和15%的绝对百分比误差范围内，显著优于传统的Hadlock估计和其他竞争方法，展示了其在胎儿出生体重估计中的有效性。

🎯 应用场景

该研究的潜在应用领域包括产科超声检查和胎儿健康监测，能够在资源有限的环境中提供更为准确的胎儿出生体重估计，具有重要的临床价值。未来，该方法可能推动超声技术的普及和智能化，改善全球范围内的产科医疗服务。

📄 摘要（原文）

Accurate fetal birth weight (FBW) estimation shortly before delivery is clinically valuable yet challenging due to its reliance on operator expertise, particularly in low-resource settings. To reduce this reliance, we study near-term birth-weight regression from blind-sweep ultrasound (US) videos acquired within 48 hours prior to delivery, with post-delivery weighing as ground truth. Accordingly, we propose a foundation model-driven key anatomy frame selection framework that enables accurate FBW regression despite the absence of plane constraints in blind sweeps. Our highlights are as follows: (1) We believe this is the first work to estimate FBW using blind-sweep US videos, enabling operator-independent assessment. (2) An Anatomy-Guided Frame Selection module equipped with a vision-language foundation model is proposed for keyframe collection in unconstrained sweeps. (3) A Redundancy-Aware Feature Compression module is designed to compress frame features while preserving task-relevant information, alleviating temporal redundancy. Extensively validated on prospectively collected data from 839 patients, our method achieves an MAE of 161.3 g, with 90.23% and 100% of cases falling within 10% and 15% absolute percentage error, outperforming typical Hadlock estimation and strong competitors. Codes are available at https://github.com/ouleoule/BlindSweep-EBW.