In obstetrics, ultrasound is used for assessment of fetal development during pregnancy. The images generated by ultrasound are used to obtain measurements of fetal head length, body size, and the analysis of fetal movements, to identify and prevent the onset of congenital disease. This work presents the development of a new method for the segmentation of two-dimensional ultrasound images of fetal skulls based on a V-Net architecture called Fully Convolutional Neural Network-Combination (VNetc). We created a new combination of strategies using a 3D V-Net as base, such as pre-processing, use of Batch Normalization and Dropout, and evaluation of distinct activation layers, activation function, data augmentation, loss function, and network depth. The computational results reveal the feasibility of the proposal in the correct segmentation of fetal skulls and head circumference measurements, reaching up to 97.91% of correctness, overcoming states-of-the-art methods.

A ultrassonografia é uma técnica de diagnóstico por imagem não invasiva e não radioativa frequentemente utilizada no acompanhamento do desenvolvimento fetal durante a gestação. A avaliação precisa é importante para a análise do crescimento do feto, diagnóstico de malformações e de possíveis doenças congênitas, garantindo assim o bem-estar da mãe e do feto durante a gravidez. Porém, para uma medição precisa de estruturas anatômicas do feto é necessário conhecimento especializado do médico obstetra. Além de ser um processo tedioso e demorado, a extração do contorno é influenciada pela sua experiência. Neste sentido, o objetivo do trabalho é propor a adaptação da rede neural completamente convolucional V-Net para segmentação de crânios fetais presentes em imagens de ultrassonografia bidimensional, além da construção de um algoritmo para o cálculo da circunferência dos mesmos. Resultados preliminares sugerem que a metodologia pode ser utilizada de forma automática como ferramenta auxiliar no acompanhamento do desenvolvimento fetal.

No abstract