산전 초음파 영상에서의 프로토타입 기반 메모리 활용 학습 불필요 이상 분류 및 위치 추정

Prototype Memory-Guided Training-Free Anomaly Classification and Localization in Prenatal Ultrasound

태아 건강 관리 및 임신 관리에 있어 산전 이상 분류 및 위치 추정은 매우 중요합니다. 초음파는 산전 검사의 주요 방법이지만, 낮은 발생률과 높은 이질성으로 인해 정확한 진단이 어렵습니다. 기존의 산전 관련 딥러닝 방법들은 대규모 어노테이션 데이터셋에 의존하는데, 이는 현실적으로 확보하기 어렵습니다. Few-shot learning은 데이터 부족 문제를 완화하지만, 일반적으로 새로운 범주에 대한 추가 학습이 필요하여 자원이 제한적인 임상 환경에서 활용하기 어렵습니다. 이러한 문제점을 해결하기 위해, 우리는 몇 장의 참조 이미지만을 사용하여 다중 클래스 산전 초음파 이상 분류 및 위치 추정을 수행하는 학습 불필요 프레임워크를 제안합니다. 이는 이 분야 최초의 시도입니다. 저희 프레임워크는 세 가지 주요 구성 요소로 이루어져 있습니다: (1) 클래스 수준의 의미와 이상 특징을 명시적으로 모델링하는 다중 레벨 프로토타입 메모리 뱅크, (2) 판별력 있는 특징을 통합하여 이상 영역을 탐지하는 프로토타입 기반 소프트 병합 메커니즘, 그리고 (3) 프로토타입 일관성을 활용하여 범주 예측 성능을 향상시키는 클래스 인지 정제 전략입니다. 저희는 1,149건의 사례(총 2,357개의 이미지, 9개 범주)를 포함하는 다기관 산전 초음파 데이터셋에 대해 광범위한 검증을 수행했으며, 제안된 방법이 기존 경쟁 모델보다 우수한 성능을 보였습니다.

Prenatal anomaly classification and localization is of critical importance for fetal health and pregnancy management. Although ultrasound (US) is the primary modality for prenatal screening, accurate diagnosis remains challenging due to the low prevalence and high heterogeneity of anomalies. Existing deep learning methods for prenatal tasks rely on large-scale annotated datasets, which are difficult to obtain in practice. Although few-shot learning alleviates data scarcity, it typically requires fine-tuning for new categories, limiting its practicality in resource-limited clinical settings. To address these challenges, we propose a training-free framework for multi-class prenatal US anomaly classification and localization that operates with only a few reference images per class, representing the first exploration of this setting. Our framework comprises three key components: (1) a memory bank with multi-granular prototypes that explicitly models both class-level semantics and anomaly characteristics; (2) a prototype-driven soft merging mechanism that aggregates discriminative features to detect the anomaly region; and (3) a class-aware refinement strategy that leverages prototype consistency to improve category prediction. Extensively validated on a multi-center prenatal US dataset containing 1,149 cases, with a total of 2,357 images and 9 categories, our proposed method outperforms the competitors.