[논문 리뷰] Beyond Benchmarks of IUGC: Rethinking Requirements of Deep Learning Methods for Intrapartum Ultrasound Biometry from Fetal Ultrasound Videos

Jieyun Bai, Zihao Zhou외 61명|arXiv (Cornell University)|2026. 02. 13.

Fetal and Pediatric Neurological Disorders인용 수 1

한 줄 요약

이 논문은 Intrapartum Ultrasound Grand Challenge (IUGC) 2024를 분석하여 표준 면 분류, FH-PS 분할, 임신 도중 초음파 비측정에서의 다중 작업 딥러닝 접근법을 검토하고, 데이터세트, 방법 및 도전과제에 대해 논의합니다.

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.

연구 동기 및 목표

• 산도 관리 지원 및 악성 결과 감소를 목표로 하는 자동화된 엔드-투-엔드 산도 초음파 매개변수 측정 동기를 부여한다.
• 표준 면 분류, FH-PS 분할, 및 생측( AoP 및 HSD )을 포함하는 다중 센터 산도 비디오 벤치마크를 표준화한다.
• 전처리, 데이터 증강, 학습 전략, 아키텍처, 및 후처리에 걸친 제출 방법을 검토하여 주요 병목 현상과 개선 기회를 식별한다.
• 향후 연구를 촉진하기 위해 데이터세트와 코드를 공개적으로 제공하여 산도 초음파 생측 연구의 개방적 과학 교류를 촉진한다.

제안 방법

• 초음파 비디오에서 표준 면 분류, FH-PS 분할, 및 생측을 통합하는 다중작업 프레임워크를 기술한다.
• 도전 과제 제출을 분석하고 Biomedical Image Analysis ChallengeS (BIAS) 방법론으로 평가를 조직한다.
• 훈련, 검증, 테스트를 위한 대규모 다센터 비디오 데이터세트(774 비디오, 68,106 이미지)를 활용한다.
• 재현성과 추가 개발을 가능하게 하도록 솔루션과 데이터세트에 공개적으로 접근할 수 있도록 한다.
• AoP 및 HSD 측정을 분할된 FH 및 PS 영역 내에서 템플릿/랜드마크 기반으로 사용하는 것을 논의한다.
• 내재 클래스 간 변이성, 저간격 차이, 초음파 잡음, 진통 중 해부학적 변형과 같은 도전과제를 강조한다.

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

실험 결과

연구 질문

• RQ1 비디오 데이터로부터 산도 초음파 분석(면 분류, FH-PS 분할, 및 생측)을 위한 효과적인 딥러닝 전략은 무엇인가?
• RQ2 대규모 다센터 산도 비디오 데이터세트가 자동 생측의 일반화 및 벤치마크 신뢰도에 어떤 영향을 미치는가?
• RQ3 임상적으로 사용 가능한 자동 산도 생측을 달성하기 위한 주요 장애물과 잠재적 해결책은 무엇인가?
• RQ4 공개 데이터세트와 오픈소스 베이스라인이 엔드-투-엔드 산도 초음파 측정의 발전을 얼마나 촉진할 수 있는가?

주요 결과

• IUGC 2024 데이터세트는 3개 병원에서 수집된 774개의 비디오(68,106개 이미지)로 구성되며, 학습/검증/테스트 분할은 각각 434/40/300 비디오이다.
• 분류, 분할, 및 생측에 걸쳐 여덟 개 팀이 제출했고, 7개의 상위 성능 방법이 기준선과 함께 분석되었다.
• 다중작업 접근법은 실제 다센터 환경에서 평가되었으며, 정확한 생측을 위해 표준 면 인식과 FH-PS 분할의 통합의 중요성을 강조한다.
• 유망한 결과에도 불구하고 산도 초음파 생측은 여전히 초기 단계이며 임상 배치를 위한 추가 연구가 필요하다고 강조한다.
• 저자들은 전체 데이터세트와 상위 성능 방법을 공개적으로 제공하여 자동 산도 생측의 지속적 진전을 도모한다.
• 논문은 데이터 이질성, 초음파 비디오의 시공간 모델링, 계단식 작업 간 오류 전파 등 임상적 및 기술적 도전을 다룬다.

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