Anatomy-Guided Foundation Model Adaptation with Within-Case Prototype Supervision for Standard Plane Detection in Fetal Ultrasound Blind Sweeps

📄 arXiv: 2608.27051v1 📥 PDF

作者: Yuzhe Zhao

分类: cs.CV, eess.IV

发布日期: 2026-08-27

💡 一句话要点

提出AnatoProto以解决胎儿超声盲扫中的标准平面检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 胎儿超声 标准平面检测 解剖加权 原型损失 机器学习 计算机视觉 医学影像

📋 核心要点

  1. 现有方法在胎儿超声盲扫中面临严重的类别不平衡问题，正帧数量极少且难以准确检测。
  2. 提出AnatoProto框架，通过解剖加权空间池化和同框原型损失等技术，提升模型对胎儿标准平面检测的适应性。
  3. 在ACOUSLIC-AI基准测试中，AnatoProto的F1值达到67.72，显著优于现有最强基线，提升幅度达到13.20 F1。

📝 摘要（中文）

在低成本的产科超声盲扫中，检测胎儿腹围标准平面是一个高度不平衡的帧分类问题：正帧占序列的比例不足3%，且形成短的连续片段，现有的超声和视觉基础模型难以有效处理。本文提出了AnatoProto，一个轻量级的序列级框架，通过四个组件将冻结的BiomedCLIP编码器适应于胎儿盲扫：1) 使用nnU-Net腹部区域概率作为空间先验的解剖加权空间池化；2) 通过同一扫查的正帧均值拉动每个帧嵌入的同框原型损失；3) 三阶段级联细化提升预测单位；4) 混合预测头联合建模每帧稳定性和帧间边界过渡。AnatoProto在ACOUSLIC-AI基准上测试F1达到67.72，超越最强基础模型基线13.20 F1。

🔬 方法详解

问题定义：本文旨在解决胎儿超声盲扫中标准平面检测的帧分类问题，现有方法在处理类别不平衡和短时间片段时效果不佳。

核心思路：AnatoProto通过解剖加权空间池化和同框原型损失等方法，利用解剖结构信息和帧间关系，提升模型对正帧的学习能力。

技术框架：整体框架包括四个主要模块：解剖加权空间池化、同框原型损失、三阶段级联细化和混合预测头，逐步提升检测精度。

关键创新：最重要的创新在于同框原型损失与解剖加权空间池化的结合，前者利用帧间结构信息，后者则通过空间先验增强特征表示。

关键设计：采用nnU-Net进行空间池化，设计三阶段级联细化结构，混合预测头同时考虑每帧的稳定性和边界过渡，优化了损失函数以提高模型性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

AnatoProto在ACOUSLIC-AI基准测试中取得了67.72的F1分数，超越了最强基础模型FetalCLIP + PRS的54.52，提升幅度达到13.20 F1。同时，结合解剖加权池化与同框原型损失的设计显著提高了模型的召回率，展现了其有效性。

🎯 应用场景

该研究在胎儿超声成像领域具有重要应用潜力，能够提高低成本超声设备在临床中的检测准确性，帮助医生更好地评估胎儿健康状况。未来，类似的方法也可扩展到其他医学影像分析任务中，提升自动化程度和准确性。

📄 摘要（原文）

Detecting the fetal abdominal circumference standard plane in low-cost obstetric blind sweeps is a highly imbalanced frame-classification problem: positive frames account for under 3% of a sequence, form short contiguous segments, and are poorly handled by off-the-shelf ultrasound and vision foundation models. We propose AnatoProto, a lightweight sequence-level framework that adapts a frozen BiomedCLIP encoder to fetal blind sweeps through four components: (i) anatomy-weighted spatial pooling that uses nnU-Net abdominal-region probabilities as a spatial prior to reweight BiomedCLIP patch tokens, so frozen semantic features are aggregated onto anatomically meaningful regions; (ii) a within-case prototype loss that pulls each frame embedding toward the mean of positive frames of the same sweep, exploiting case-level structure unavailable at the frame level; (iii) a three-stage cascade refinement (frame->segment->case-level rejecter) that lifts the prediction unit from noisy frames to structurally-constrained segments; and (iv) a hybrid prediction head that jointly models per-frame stability and inter-frame boundary transitions to suppress boundary false positives. On the ACOUSLIC-AI benchmark, AnatoProto reaches a test F1 of 67.72, outperforming the strongest foundation-model baseline (FetalCLIP + PRS, F1 = 54.52) by +13.20 F1 and the strongest video temporal-action-detection baseline (TriDet + PRS) by +15.76 F1. A synergy study, backed by embedding geometry and paired-bootstrap confidence intervals, shows that the prototype loss and anatomy-weighted pooling are not additive: applied alone the prototype loss reduces recall by 12 points, but combined with anatomy-weighted pooling it increases recall by 6.5 points -- a sign-flip we trace to the accuracy of the within-case prototype.