[論文レビュー] Beyond Benchmarks of IUGC: Rethinking Requirements of Deep Learning Methods for Intrapartum Ultrasound Biometry from Fetal Ultrasound Videos

Jieyun Bai, Zihao Zhou+61 more|arXiv (Cornell University)|Feb 13, 2026

Fetal and Pediatric Neurological Disorders被引用数 1

ひとこと要約

この論文は Intrapartum Ultrasound Grand Challenge (IUGC) 2024 を分析し、標準平面分類、FH-PS セグメンテーション、分娩内超音波ビデオからの生物測定の多タスク深層学習アプローチをレビューし、データセット、方法、および課題を論じる。

ABSTRACT

A substantial proportion (45\%) of maternal deaths, neonatal deaths, and stillbirths occur during the intrapartum phase, with a particularly high burden in low- and middle-income countries. Intrapartum biometry plays a critical role in monitoring labor progression; however, the routine use of ultrasound in resource-limited settings is hindered by a shortage of trained sonographers. To address this challenge, the Intrapartum Ultrasound Grand Challenge (IUGC), co-hosted with MICCAI 2024, was launched. The IUGC introduces a clinically oriented multi-task automatic measurement framework that integrates standard plane classification, fetal head-pubic symphysis segmentation, and biometry, enabling algorithms to exploit complementary task information for more accurate estimation. Furthermore, the challenge releases the largest multi-center intrapartum ultrasound video dataset to date, comprising 774 videos (68,106 frames) collected from three hospitals, providing a robust foundation for model training and evaluation. In this study, we present a comprehensive overview of the challenge design, review the submissions from eight participating teams, and analyze their methods from five perspectives: preprocessing, data augmentation, learning strategy, model architecture, and post-processing. In addition, we perform a systematic analysis of the benchmark results to identify key bottlenecks, explore potential solutions, and highlight open challenges for future research. Although encouraging performance has been achieved, our findings indicate that the field remains at an early stage, and further in-depth investigation is required before large-scale clinical deployment. All benchmark solutions and the complete dataset have been publicly released to facilitate reproducible research and promote continued advances in automatic intrapartum ultrasound biometry.

研究の動機と目的

• 自動化・エンドツーエンドの分娩内超音波パラメータ測定を促進し、分娩管理を支援し有害転帰を低減する。
• 標準平面分類、FH-PS セグメンテーション、および biometry（AoP および HSD）を含むタスクの標準化されたマルチセンター分娩内ビデオベンチマークを提供する。
• 前処理、データ拡張、学習戦略、アーキテクチャ、後処理を横断する提出手法をレビューし、主要なボトルネックと改善機会を特定する。
• 将来の分娩内超音波生物測定研究を推進するために、データセットとコードを公開してオープンサイエンスの交流を促進する。

提案手法

• 超音波ビデオから標準平面分類、FH-PS セグメンテーション、ビオメトリを統合するマルチタスクフレームワークを記述する。
• チャレンジの提出を分析し、BIAS（Biomedical Image Analysis ChallengeS）手法に基づく評価を組織する。
• トレーニング、検証、テストのために大規模なマルチセンター動画データセット（774Video、68,106画像）を活用する。
• 再現性とさらなる開発を可能にするよう、解法とデータセットを公開アクセスに提供する。
• AoPとHSDの測定において、FHおよびPS領域のセグメンテーション内でテンプレート/ランドマークベースの測定の使用を論じる。
• 低いクラス間差、超音波ノイズ、 labor 中の解剖学的変形など、 intra-class variation や inter-class differences の小ささといった課題を強調する。

Fig. 1: Challenges faced by each task in the Intrapartum Ultrasound Grand Challenge (IUGC). Standard plane classification is affected by large intra-class variability caused by imaging artifacts, soft tissue deformation, fetal posture changes, and probe motion, as well as low inter-class separabilit

実験結果

リサーチクエスチョン

• RQ1 ビデオデータからの多タスク分娩内超音波分析（平面分類、FH-PS セグメンテーション、ビオメトリ）における効果的な深層学習戦略は何か。
• RQ2 大規模なマルチセンター分娩内ビデオデータセットは自動ビオメトリの一般化とベンチマークの信頼性にどのように影響するか。
• RQ3 臨床的に有用な自動分娩内ビオメトリを達成する際の主な障害と潜在的解決策は何か。
• RQ4 公開データセットとオープンソースベースラインは、エンドツーエンドの分娩内超音波測定の進展をどの程度加速できるか。

主な発見

• IUGC 2024 データセットは三つの病院からの774動画（68,106画像）で構成され、学習/検証/テストの分割はそれぞれ434/40/300動画。
• 分類、セグメンテーション、ビオメトリの8チームが提出し、7つのトップパフォーマンス手法がベースラインと共に分析された。
• マルチタスクアプローチは実世界のマルチセンター環境で評価され、正確なビオメトリのためには標準平面認識と FH-PS セグメンテーションの統合が重要であることを強調。
• 有望な結果にもかかわらず、分娩内超音波ビオメトリは依然として初期段階であり、臨床導入にはさらなる作業が必要である。
• 著者は完全データセットとトップパフォーマンス手法を公開し、自動分娩内ビオメトリの継続的な進展を促進する。
• 本論文はデータのヘテロゲネイティ、超音波ビデオの時空間モデリング、連鎖タスク間の誤差伝播など、臨床的・技術的課題を継続的に論じている。

Fig. 2: Overall Workflow of Clinical Image Utilization and the Intrapartum Ultrasound Grand Challenge (IUGC). A) Clinical images are acquired via a transperineal ultrasound (US) approach using mid-sagittal scans from pregnant women during labor. B) Manual operations encompass: classification of stan