.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
世界卫生组织《分娩护理指南》（LCG）所倡导的分娩期护理标准化，依赖于对母婴健康状况的持续监测。该过程的关键组成部分是使用分娩期超声评估胎头进展，特别是通过测量进展角（AoP）。然而，用于AoP计算的标志点手动标注既耗时又易产生观察者间差异，从而形成临床工作流程的瓶颈。为解决此问题，我们提出了自动化的胎儿生物测量方法。开发此类基于深度学习的解决方案的核心挑战在于优化神经网络架构和超参数这一复杂且计算成本高昂的任务。本研究中，我们引入了一种基于生成型奖励机（GRM）的新框架，用以创建能够智能且高效地探索批量大小和超参数联合空间的自主代理。该方法加速了自动化标志点检测稳健模型的开发，旨在提高诊断一致性并支持实施更安全、基于证据的分娩期护理。
Keyword:
Intrapartum Ultrasound
Angle of Progression
Automated Landmark Detection
Generative Reward Machine
Hyperparameter Optimization
.png){kind=icon}
