髋关节发育不良（Development Dysplasia of the Hip, DDH）是一种常见的先天性关节疾病，严重的会导致新生儿的步态畸形。通过超声成像对婴儿的髋关节进行扫查，能有效诊断DDH并利于及早治愈。目前DDH的临床诊断通常使用Graf法，首先获取婴儿髋关节超声的标准切面，并在该切面上测量出解剖结构的形态学夹角，进而综合分析髋关节的发育状况。Graf法比较有效地度量了髋关节的发育，但该方法的准确性严重依赖于标准切面的选取和解剖结构的识别，对医生的专业知识、临床经验以及扫图手法有很高的要求。因此在实际诊断中，Graf法面临着流程不规范、标准不统一、观察者间差异性大等问题。
我院顾宁教授团队联合深圳大学生物医学工程学院倪东教授团队、广东省妇幼保健院超声影像科，合作提出了一个智能化的系统，用以高效、准确地辅助婴儿DDH疾病的临床筛查。该系统基于小样本学习和多任务学习方法，可从超声影像视频中自动识别标准切面、自动测量多个角度指标并可视化分析结果，旨在为超声医生提供标准且精确的诊断参考依据，从而提高诊断质量和同质化水平、改善筛查效率。
该系统的标准切面自动识别模块用于从髋关节超声视频中挑选出标准切面。基于小样本单类别的分类器，通过自监督方式学习标准切面的图像特征，从而判断输入图像是否为标准切面。该分类器对训练数据和人工标注数量的要求较低，能够有效减少医生的采集和标注工作负担。在185例超声视频数据上与常见的单分类网络进行分类性能对比，结果表明该方法性能最优。相关论文已在《深圳大学学报理工版》在线发表（链接：https://journal.szu.edu.cn/upload/html/202104011.html），论文第一作者为我院18级硕士研究生胡歆迪，顾宁教授为通讯作者。
该系统的角度自动测量模块以多任务实例分割深度网络为核心框架，实现对婴儿髋关节超声图像的结构定位、分割和关键点的定位。该网络可联合学习解剖结构关键点和解剖结构的位置关系，并通过形状相似性损失进一步提升解剖结构的分割精度。在632个病例的髋关节超声标准切面图像上进行实验，该网络自动测量的alpha角和beta角的平均误差分别为2.221°和2.899°，与医生的手动测量结果达到了较好的一致性。
该系统展示出优秀的DDH标准切面识别和角度测量性能，具有较好的辅助DDH超声筛查的应用前景。相关论文已在医学影像分析领域的顶级期刊Journal of Biomedical and Health Informatics（中科院大类二区，影响因子5.223）在线发表（链接：https://ieeexplore.ieee.org/document/9448429）。我院18级硕士研究生胡歆迪和广东省妇幼保健院超声科王丽敏主任为共同第一作者，南京医科大学生物医学工程与信息学院的顾宁教授、广东省妇幼保健院超声诊断科尚宁主任和深圳大学医学部生物医学工程学院倪东教授为共同通讯作者，南京医科大学为第一署名单位。
