全自动三维盆底超声测量肛提肌裂孔大小的临床应用

中国医学影像学杂志2023年第31卷第9期妇产科影像学 论著
全自动三维盆底超声测量肛提肌裂孔大小的临床应用
郭志洁1，陈炯权2,3，张元吉2，杨丹玲1，倪东2，陆喜多2*
1.广州中医药大学附属宝安中医院超声科，广东深圳518133；
2.医学超声关键技术国家工程实验室，广东省生物医学信息检测与超声成像重点实验室，深圳大学医学部生物医学工程学院，广东深圳518060；
3.深圳度影医疗科技有限公司，广东深圳518071；*通信作者陆喜多 *********************
【摘要】目的探讨全自动三维盆底超声软件（AI-3DPFU）基于深度学习自动定位和测量肛提肌裂孔（LH）大小的应用研究。

资料与方法回顾性选取2022年4—9月于广州中医药大学附属宝安中医院行盆底检查的130例女性，采集患者在Valsalva状态下的146个三维容积数据。

AI-3DPFU软件全自动定位最小LH平面并测量LH大小（AI组），由盆底超声检查经验>3年、<3年的医师D1、D2分别手动定位最小LH平面并测量LH大小（D1组、D2组）；记录AI、D1、D2组定位的最小裂孔尺寸切面的法向量和中心点距离并测量LH大小的面积、周长、前后径、左右径以及总耗时，并比较分析。

结果AI组与D1、D2组定位的最小裂孔尺寸切面的平均角度差异分别为（5.01±2.99）°、（4.93±2.95）°，平均中心点距离差异分别为（2.00±1.71）mm、（2.38±1.90）mm；AI组和D1、D2组测量LH面积的一致性好，相关性强（ICC>0.9，r>0.9，P<0.01）；AI、D1、D2组定位和测量最小LH平面平均耗时分别为（2.00±0.22）s、（59.60±2.63）s、（128.30±25.44）s，AI组耗时明显缩短（F=680.87，P=0.000）。

结论AI-3DPFU软件能快速、准确地自动定位最小LH平面并测量LH大小，具有较好的临床应用价值。

【关键词】自动盆底超声；肛提肌裂孔；深度学习；盆底功能障碍
【中图分类号】R711.2；R445.1 【DOI】10.3969/j.issn.1005-5185.2023.09.013
Clinical Application of Fully Automatic Three-Dimensional Pelvic Floor Ultrasound in Measuring the Size of Levator Hiatus
GUO Zhijie1, CHEN Jiongquan2,3, ZHANG Yuanji2, YANG Danling1, NI Dong2, LU Xiduo2*
National Regional Key Technology Engineering Laboratory for Medical Ultrasound, Guangdong Provincial Key Laboratory of Biomedical Measurements and Ultrasound Imaging, Shenzhen University Health Science Center School of Biomedical Engineering, Shenzhen 518060,China;*AddressCorrespondenceto:LUXiduo;E-mail:*********************
【Abstract】Purpose To explore the application research of fully automatic pelvic floor ultrasound (AI-3DPFU) software in locating and measuring the size of levator hiatus (LH) based on deep learning. Materials and Methods A total of 130 women who underwent pelvic floor ultrasonography in Baoan Hospital of Traditional Chinese Medicine Affiliated to Guangzhou University of Chinese Medicine from April to September 2022 were selected retrospectively. A total of 146 pelvic floor ultrasound three-dimensional volumes of the Valsalva maneuver were collected. The minimal LH plane images were fully located and the size of LH were measured via AI-3DPFU software based on CNN (recorded as AI group). Physicians (defined as D1) with more than 3 years of pelvic floor ultrasound experience and physicians (defined as D2) less than 3 years of pelvic floor ultrasound experience located the minimal LH plane images and measured the size of LH manually, respectively (recorded as D1 and D2 group). The normal vector and center point distance of the slice of minimal hiatal dimensions and measurement results of size of LH (area, circumference, anterior-posterior diameter, left-right diameter) and the total time cost of AI, D1 and D2 groups were recorded, respectively. Results The mean angle differences in locating the slice of minimal hiatal dimensions were (5.01±2.99)°, (4.93±2.95)° between AI group and D1 as well as D2 groups, and the mean center point distance difference were (2.00±1.71) mm, (2.38±1.90) mm, respectively. The area of LH measured by AI group, D1 group and D2 group had good consistency and strong correlation (ICC>0.9, r>0.9, P<0.01). The average time for locating and measuring the minimal LH plane images in AI, D1, and D2 group were (2.00±0.22) s, (59.60±2.63) s, (128.30±25.44) s, respectively. The time cost of AI group was significantly shorter than that of D1 and D2 groups (F=680.87, P=0.000). Conclusion The AI-3DPFU software can quickly and accurately locate the minimal LH plane images and measure the size of LH, which has good clinical application value.
【Key words】Automatic pelvic floor ultrasound; Levator hiatus; Deep learning; Pelvic floor disorders
Chinese Journal of Medical Imaging, 2023, 31 (9): 962-966, 984
妇产科影像学 论著中国医学影像学杂志2023年第31卷第9期
盆腔器官脱垂（pelvic organ prolapse，POP）是女性盆底功能障碍性疾病的主要病种之一[1]，是妊娠分娩、衰老等因素导致盆底肌肉和筋膜组织异常造成的盆腔器官（膀胱、子宫和直肠等）位置异常及功能障碍[2-3]，常伴有排尿、排便和性功能障碍，严重影响女性生命质量。

肛提肌裂孔（levator hiatus，LH）是器官脱垂的疝出通道，尿道、阴道、直肠从前至后依次从中通过。

LH 扩张是POP发生的主要原因之一，LH大小能从一定程度上反映盆底结构对盆底器官的支持作用[4-6]。

因此，LH 的生物学测量对评价POP患者的盆底支持情况具有重要意义。

临床上，通过盆底三维超声能直观、动态地观察LH的形态改变，可有效地评估肛提肌的完整性，且LH大小能反映肛提肌的生物学特性及受损程度。

而在实际工作中，最小LH平面的定位及LH参数测量操作步骤多、用时长，并且对操作者经验的依赖较高。

为提高检查效率，简化操作步骤，减少对医师经验的依赖，本研究拟比较分析全自动三维盆底超声（fully automatic pelvic floor ultrasound，AI-3DPFU）软件自动定位LH平面并测量LH大小的临床应用价值。

1 资料与方法
1.1 研究对象回顾性选取2022年4—9月于广州中医药大学附属宝安中医院进行盆底超声检查的130例有生育史的女性，共获取146个三维容积数据作为测试集，年龄21~51岁，中位年龄31（23，42）岁，体重指数16.4~29.32 kg/m2，中位体重指数2
2.07（17.33，25.67）kg/m2。

采用POP-Q法[7]诊断，单腔室脱垂105例，2个腔室脱垂17例，3个腔室脱垂8例；前腔室脱垂78例，中腔室脱垂10例，后腔室脱垂42例。

纳入标准：①Valsalva动作有效；②无影响检查的因素存在，如妊娠、产后出血、恶露存在等。

排除标准：①无法完成Valsalva动作；②产后出血或产后恶露持续存在、泌尿生殖系统急性炎症。

本研究经广州中医药大学附属宝安中医院医学伦理委员会批准（KY-2023-001-07），所有受检者均签署知情同意书。

1.2 仪器与方法
1.2.1 仪器采用GE Voluson E8彩色多普勒超声诊断仪，RAB6-D三维凸阵容积探头，频率2.0~8.0 MHz，实时三维扫查角度85°，选择盆底预设条件。

1.2.2 检查步骤①患者排空大小便后取膀胱截石位，将容积探头紧贴放置在两侧大阴唇间，探头标志点朝上。

②获取标准盆底正中矢状切面[8]：从左向右依次显示耻骨联合、尿道、膀胱颈；阴道、宫颈；肛管、直肠壶腹部、肛直角等结构，耻骨联合距离探头表面<10 mm。

③启动容积采集键，在受检者进行有效Valsalva动作时采集，存储容积数据。

每例患者至少采集3个有效Valsalva动作容积数据。

1.3 定位与测量最小LH平面
1.3.1 D1组、D2组由2名盆底超声检查经验>3年、<3年的医师D1、D2使用标注软件Pair[9]离线完成，具体步骤：①定位最小LH平面：2名医师分别在三维容积数据上手动旋转X、Y、Z轴获得最小LH平面，取样框在正中矢状面中包含最小裂孔尺寸切面（the slice of minimal hiatal dimensions，SMHD）[10]，SMHD为与正中矢状面垂直且经过耻骨联合和肛门直肠角间最短连线的切面[11]，取样框厚度为1~2 cm，见图1。

②测量LH大小：2名医师分别在各自定位的最小LH平面上测量面积（hiatus area，HA）、周长（hiatus circumference，HC）、前后径（hiatus anteroposterior diameter，HAP）、左右径（hiatus left-right diameter，HLR）等。

记录D1、D2在测试集中手动定位的SMHD的法向量和中心点距离作为最小LH平面的定位结果，并记录D1、D2在测试集中测量LH参数的结果和总耗时。

图1医师离线手动定位最小LH平面流程。

在正中矢状切面中调整X、Y、Z轴，取样框在正中矢状面中包含SMHD，即耻骨联合下缘（S）和肛门直肠角后方耻骨直肠肌前缘（PR）连线，厚度为1~2 cm；通过渲染获得最小LH平面
1.3.2 AI组使用2021年3月—2022年3月本院采集的200个GE机型的盆底超声容积数据作为训练集，独立于测试集，用于开发AI-3DPFU软件。

由3名超声医师（盆底超声检查经验>3年）离线在训练集上标注，包括定位SMHD以及测量LH大小。

标注前统一对3名
医师进行培训，在20个三维超声数据上的组间一致性良好后标注训练集。

AI-3DPFU软件基于生成对抗网络[12]和U-net网络[13]，具体步骤：①开发软件：训练生成对抗网络从三维容积数据中学习目标切面，即SMHD，包含且平行于生成对抗网络预测的切面定位取样框：取样框厚度为1.5 cm，取样框上缘距离预测
中国医学影像学杂志 2023年 第31卷 第9期 妇产科影像学∙论著
切面0.5 cm ，下缘距离预测切面1 cm ，采用光线投影算法进行渲染，获取全自动定位最小LH 平面的模型，结合U-net 全自动测量模型[14]测量LH 的大小，开发AI-3DPFU 软件。

②自动定位和测量LH 平面：将测试集的三维容积数据输入AI-3DPFU 软件自动定位最小LH 平面和测量LH 大小。

记录AI 组自动定位的SMHD 的法向量和中心点距离作为最小LH 平面的定位结果，并记录AI 组自动测量LH 参数结果以及总耗时。

1.4 统计学方法 使用SPSS 25.0和Python 3.7软件。

1.4.1 定位最小LH 平面的评估 AI 组与D1、D2组定位的SMHD 用a 、b 、c 、p 表示，其中a 、b 、c 为切面的法向量，p 为中心点距离参数。

比较AI 组与D1组、D2组，D1组与D2组定位切面的差异，使用平均角度差异和平均中心点距离差异（⎺x ±s ）评估。

以计算AI 组与D1组定位切
面的差异为例，设AI 组定位的切面为A （a 1，b 1，c 1，p 1），
D1组定位的切面为B （a 2，b 2，c 2，p 2）。

计算切面A 与切面B 的角度差异，公式如下。

（1）
（2）
其中，V 为两平面的夹角余弦值，θ为平面A 与平
面B 的角度差异。

计算切面A 与切面B 的中心点距离差异，公式如下。

（3） （4）
（5）
其中，p 1、p 2分别为切面A 中心点（x 2，y 2，z 2）、
切面B 中心点（x 3，y 3，z 3）到三维容积数据中心点（x 1，y 1，z 1）的欧几里得距离。

Dis 为切面A 与切面B 的中心点距离差异。

1.4.2 测量LH 参数的评估 AI 组和D1、D2组测量结果的一致性用组内相关系数（ICC ）、绘制Bland-Altman 图评估，相关性用Pearson 相关系数评估。

AI 组和D1、D2组定位和测量总耗时组间比较采用单因素方差分析，两组比较采用独立样本t 检验。

AI 组两次测量间和D1、D2组间的可重复性用ICC 评估。

P <0.05为
差异有统计意义。

2 结果
2.1 定位最小LH 平面 以D1、D2结果为标准，计算AI 组相较于D1、D2组的平均误差：AI 组与D1、D2组定位SMHD 的角度差异分别为（5.01±2.99）°、（4.93±2.95）°，中心点距离差异分别为（2.00±1.71）
mm 、（2.38±1.90）
mm 。

D1和D2组定位最小LH 平面的角度差异为（3.83±2.85）°，中心点距离为（1.96±1.87）mm 。

在测试集中随机选取1个三维容积数据，AI 组和D1、D2组定位最小LH 平面的结果见图2。

AI 组全自动定位最小LH 平面的准确度高。

图2 在测试集图像中随机选取1个三维容积数据定位最小LH 平面以及测量LH 参数图。

A. AI 组在正中矢状面中自动定位的取样框，SMHD 以及自动测量LH 的结果；B. D1在正中矢状面中手动定位的取样框，
SMHD
以及手动测量
LH
的结果；C. D2
在正中矢
状面中手动定位的取样框，SMHD 以及手动测量LH 的结果。

HA ：面积，HC ：周长，HAP ：前后径，HLR ：左右径
妇产科影像学 论著 中国医学影像学杂志 2023年 第31卷 第9期
2.2 测量LH 大小
2.2.1 一致性 ①AI 组与D1组（HA 0.929、HC 0.877、HAP 0.891、HLR 0.712）、AI 组与D2组（HA 0.909、HC 0.875、HAP 0.912、HLR 0.715）测量LH 的HA ICC
均>0.9，P 均<0.01；②AI 组与D1、D2组的Bland-Altman 图显示95%一致性界限外的点<6%，差值均值线非常
接近0，见图3、4。

AI 组与D1、D2组的一致性较好，
且AI 组与D1组的一致性比与D2组好。

2.2.2 相关性 AI 组与D1组（HA 0.931、HC 0.924、HAP 0.897、HLR 0.745）、AI 组与D2组（HA 0.918、HC 0.930、HAP 0.921、HLR 0.719）测量LH 的HA 、HC 的相关系数r 均>0.9，P 均<0.01。

图3 AI 组与D1组前后径（A ）、左右径（B ）、周长（C ）、面积（D ）的Bland-Altman 图
图4 AI 组与D2组前后径（A ）、左右径（B ）、周长（C ）、面积（D ）的Bland-Altman 图
2.2.3 可重复性 AI 组2次测量间的ICC =1，可重复性极好。

D1组与D2组的ICC ：HA 为0.938，HC 为0.954，HAP 为0.937，HLR 为0.724，P 均<0.01。

2.3 总耗时比较 AI 组平均耗时（2.00±0.22）s ，D1组和D2组分别为（59.60±2.63）s 、（128.30±25.44）s 。

AI 组平均耗时较D1和D2组明显缩短，差异有统计学意
义（F =680.87，P =0.000），两两比较AI 组与D1组、D2组平均耗时差异有统计学意义（t =19.87、45.74，P 均
<0.01）。

3 讨论
3.1 全自动三维盆底超声的意义 我国成年女性POP 发生率高达9.6%，70岁以上老年女性POP 发生率达到26%[15]，患者数量随着人口老龄化迅速增长，严重影响女性生命质量。

盆底超声可实时动态评估盆底器官和肌肉的解剖特征，是POP 评估的首选影像学检查。

经会阴三维盆底超声定量测量LH 大小是评估肛提肌生物学特性的有效方法。

然而，LH 大小的超声测量过程复杂耗时，对超声医师技术水平要求较高，不易推广。

3.2 AI-3DPFU 软件的优越性 准确定位最小LH 平
面是测量LH 参数的前提，临床上多在立体渲染（Render ）模式下[16]调整容积图像的X 、Y 、Z 轴定位最小LH 平面。

本研究提出的AI-3DPFU 软件基于深度学习可以实现自动定位最小LH 平面，不需要医师手
动操作调整X 、
Y 、Z 轴。

AI-3DPFU 软件较医师手动定位和测量LH 平面的优势为：①操作方便，耗时短。

临
床上定位并测量最小LH 平面的过程烦琐复杂，医师测量耗时较长。

而AI-3DPFU 软件可一键自动定位并测量最小LH 平面的生物学参数，且平均耗时约2 s ，较医师手动测量耗时更短。

②结果准确可靠。

AI 组和D1、D2组定位LH 平面的平均角度差约5°，平均距离差约2 mm ，测量LH 面积有极好的一致性，表明AI-3DPFU 软件定位和测量的最小LH 平面生物学参数数据可靠。

③重复性好。

相较于不同测量者间，AI-3DPFU 软件的可重复性高，在很大程度上减少了不同医师测量时的主观误差，能保证测量结果的稳定性，具有较好的临床应用价值。

3.3
AI-3DPFU
软件与其他
LH
自动测量方法对比 近
年来，LH 自动测量引起学者的广泛关注。

曾丽娟等[14]、叶婷婷等[17]的方法分别实现了全自动、半自动测量LH 参数，与医师手动测量具有很高的一致性，可以缩
短LH 测量耗时，但以上研究均未实现在三维容积数据中自动定位最小LH 平面。

Williams 等[18]实现了在GE 机型的三维容积数据上自动定位SMHD ，切面定位的平均误差分别为（5.76±5.06）°和（6.46±5.18）
mm ，自动测量裂孔面积的平均误差为（2.66±2.78）cm 2，自动测量总耗时（35±4）s 。

van den Noort 等[11]研究在静息、缩肛、最大Valsalva 状态的三维容积数据中自动定
位SMHD 和分割泌尿生殖裂孔，手动和自动定位切面的平均绝对距离为0.2 cm ，手动和自动测量泌尿生殖裂孔面积的ICC 为0.94。

Xia 等[19]通过在正中矢状面中自动定位关键点（耻骨联合下缘和耻骨直肠肌前缘）定位SMHD ，再利用自动分割模型分割裂孔，最后定位切面的平均角度误差为（4.00±3.25）°，自动分割和
手动测量的裂孔面积平均误差为（1.75±2.25）cm 2。

上述方法均验证了自动盆底三维超声的可行性和有效
性。

相较于自动测量LH 参数的方法，本研究提出的AI-3DPFU 软件解决了在三维数据中定位最小LH 平面的技术难点。

上述研究均未在获取SMHD 后在渲染模式下获取具有一定厚度的最小LH 平面，本研究实现了自动定位SMHD 后定位取样框获得最小LH 平面并测量LH ，完成了更复杂的技术任务，而且在准确度和速度上均能达到领先水平。

3.4 本研究的局限性 本研究仅使用单一机型的三维容积数据，后续需要在更广泛的机型上验证AI-3DPFU 软件的性能；未探讨AI-3DPFU 软件在静息态、缩肛状态的三维容积数据上的表现。

总之，AI-3DPFU 软件能简化LH 超声生物学测量流程，缩短盆底超声检查耗时，与高年资医师的结果具有极好的一致性和相关性，可减小主观误差。

在基层医院推广盆底超声时，AI-3DPFU 软件有望简化培训步骤，有利于推广。

因此，AI-3DPFU 软件测量LH 大小准确、便捷，具有较好的临床应用价值。

参考文献
[1] 张新玲. 实用盆底超声诊断学[M]. 北京: 人民卫生出版
社, 2019: 3-5.
[2] Zhu Y, Deng S, Jiang Q, et al. Correlation between delivery
mode and pelvic organ prolapse evaluated by four-dimensional pelvic floor ultrasonography[J]. Med Sci Monit, 2018, 24: 7891-7897. DOI: 10.12659/MSM.911343. [3] 中华医学会妇产科学分会妇科盆底学组. 盆腔器官脱垂
的中国诊治指南(2020年版)[J]. 中华妇产科杂志, 2020, 55(5): 300-306. DOI: 10.3760/112141-20200106-
00016.
[4] 高春香, 曲学玲, 于媛媛, 等. 初产妇不同状态肛提肌裂
孔面积与盆腔器官脱垂量化的相关性[J]. 中国超声医学杂志, 2023, 39(1): 77-80. DOI: 10.3969/j.issn.1002-0101. 2023.01.022.
[5] Siahkal SF, Iravani M, Mohaghegh Z, et al. Investigating the
association of the dimensions of genital hiatus and levator hiatus with pelvic organ prolapse: a systematic review[J]. Int Urogynecol J, 2021, 32(8): 2095-2109. DOI: 10.1007/ s00192-020-04639-0.
[6] Schulten SFM, Claas-Quax MJ, Weemhoff M, et al. Risk
factors for primary pelvic organ prolapse and prolapse recurrence: an updated systematic review and meta-analysis[J]. Am J Obstet Gynecol, 2022, 227(2): 192-208. DOI: 10.1016/j.ajog.2022.04.046.
[7] 木其尔, 史铁梅. ICS POP-Q 与超声诊断盆腔器官脱垂的
相关性研究[J]. 中国超声医学杂志, 2020, 36(7): 636-639. DOI: 10.3969/j.issn.1002-0101.2020.07.021.
[8] 王睿丽, 朱兆领, 甘宜鑫. 盆底超声临床实用规范化检
查专家共识(2022版)[J]. 中国医学影像学杂志, 2023, 31(2): 97-99. DOI: 10.3969/j.issn.1005-5185.2023.02.001. [9] Liang J, Yang X, Huang Y, et al. Sketch guided and
progressive growing GAN for realistic and editable ultrasound image synthesis[J]. Med Image Anal, 2022, 79: 102461. DOI: 10.1016/j.media.2022.102461.
[10] AIUM/IUGA practice parameter for the performance of
Urogynecological ultrasound examinations: developed in collaboration with the ACR, the AUGS, the AUA, and the SRU[J]. Int Urogynecol J, 2019, 30(9): 1389-1400. DOI: 10.1007/s00192-019-03954-5.
[11] van den Noort F, Manzini C, van der Vaart CH, et al.
Automatic identification and segmentation of slice of minimal hiatal dimensions in transperineal ultrasound volumes[J]. Ultrasound Obstet Gynecol, 2022, 60(4): 570-576. DOI: 10.1002/uog.24810.
[12] Goodfellow IJ, Pouget-Abadie J, Mirza M, et al. Generative
adversarial networks[EB/OL]. 2014: arXiv: 1406.2661. https:///abs/1406.2661.
[13] Ronneberger O, Fischer P, Brox T. U-net: convolutional
networks for biomedical image segmentation[EB/OL]. 2015: arXiv: 1505.04597. https:///abs/1505.04597.
（下转第984页）
diffusion metrics for assessment of bladder cancer aggressiveness[J]. Abdom Imaging, 2015, 40(2): 327-332.
DOI: 10.1007/s00261-014-0213-y.
[24] Wang H, Luo C, Zhang F, et al. Multiparametric MRI for
bladder cancer: validation of VI-RADS for the detection of detrusor muscle invasion[J]. Radiology, 2019, 291(3): 668-674. DOI: 10.1148/radiol.2019182506. [25] Metwally MI, Zeed NA, Hamed EM, et al. The validity,
reliability, and reviewer acceptance of VI-RADS in assessing muscle invasion by bladder cancer: a multicenter prospective study[J]. Eur Radiol, 2021, 31(9): 6949-6961. DOI: 10.1007/ s00330-021-07765-5.
【收稿日期】2022-09-03 【修回日期】2022-12-14
（本文编辑刘筱萌）
（上接第966页）
[14] 曾丽娟, 罗欢嘉, 杨鑫, 等. 深度学习在泌尿生殖裂孔面
积全自动测量中的应用价值[J]. 中国超声医学杂志, 2021, 37(12): 1408-1412. DOI: 10.3969/j.issn.1002-0101.
2021.12.025.
[15] Pang H, Zhang L, Han S, et al. A nationwide population-
based survey on the prevalence and risk factors of symptomatic pelvic organ prolapse in adult women in China - a pelvic organ prolapse quantification system-based study[J]. BJOG, 2021, 128(8): 1313-1323. DOI: 10.1111/ 1471-0528.16675.
[16] Youssef A, Montaguti E, Sanlorenzo O, et al. Reliability of
new three-dimensional ultrasound technique for pelvic hiatal area measurement[J]. Ultrasound Obstet Gynecol, 2016, 47(5): 629-635. DOI: 10.1002/uog.14933.
[17] 叶婷婷, 王慧芳, 陈华, 等. 盆底超声智能识别及半自动
测量泌尿生殖裂孔的实用性研究[J]. 中华超声影像学杂
志, 2019, 28(3): 256-260. DOI: 10.3760/cma.j.issn.1004-
4477.2019.03.013.
[18] Williams H, Cattani L, van Schoubroeck D, et al. Automatic
extraction of hiatal dimensions in 3-D transperineal pelvic ultrasound recordings[J]. Ultrasound Med Biol, 2021, 47(12): 3470-3479. DOI: 10.1016/j.ultrasmedbio.2021.08.009. [19] Xia W, Ameri G, Fakim D, et al. Automatic plane of minimal
hiatal dimensions extraction from 3D female pelvic floor ultrasound[J]. IEEE Trans Med Imaging, 2022, 41(12): 3873-
3883. DOI: 10.1109/TMI.2022.3199968.
【收稿日期】2023-01-11 【修回日期】2023-04-21
（本文编辑隋晓萌）。