超声由于检查成本低、实时性好、无辐射等优点,被广泛应用于产前筛查中。胎儿超声心脏四腔心切面是最常用的心脏切面之一,在20世纪80年代早期已被用于胎儿心脏异常的诊断,绝大部分的心脏异常都能过该切面检测出来。在产前超声筛查中,超声图像质量控制是临床诊断的重要环节。这一过程通常是手工完成的,但存在一些缺点,如需要操作人员经验丰富,操作耗时费力,不同医师之间的判别有差异等。因此,为了提高筛查的效率和准确性,减少医生的工作量,辅助医生进行诊断,本论文提出了一个新型的胎儿超声心脏四腔心切面的自动质量控制框架。本研究首先在专家医生的协助下,制定了胎儿超声心脏四腔心切面的质量控制协议,包括心脏四腔心切面、增益、缩放比例、肺静脉角、心尖和调节束、多根肋骨等协议项,并根据协议项的重要程度赋予不同的评估分数。心脏四腔心切面是目标切面,需要首先从医院数据库中筛选出来。增益和缩放比例则是重要的成像因素。过度的缩放比例往往导致结构显示不完整,而过小的缩放则可能导致某些解剖结构显示过小、不够清晰。对于增益,无论是过高还是过低,都可能导致成像质量低下甚至误诊。每个目标切面必须检测一些关键的解剖结构,包括肺静脉角、心尖和调节束、多根肋骨等,因为这些结构对于判断切面异常与否至关重要。本研究提出的新型胎儿超声心脏四腔心切面质量控制框架主要包括有三个网络。（1）基本的卷积神经网络（Basic Convolutional Neural Network,B-CNN）,具有125 FPS（Frame Per Second）的识别速度。我们采用轻量级的SqueezeNet网络结构,并使用ResNeXt网络中的模块加以改进,形成最终的B-CNN,主要目的是从医院数据库中将目标心脏四腔心切面,包括心尖、心底和胸骨旁四腔心切面,粗略提取出来。（2）更深的CNN（D-CNN）,具有33 FPS的识别速度。在B-CNN提取到心脏四腔心切面的基础上,进一步对心脏四腔心切面的成像因素,即增益强度和缩放比例,采用更深的D-CNN网络模型,结合多标签学习的方式进行识别判定。（3）聚合残差视觉模块网络（Aggregated Residual Visual Block Network,ARVBNet）,具有101 FPS的检测速度。我们通过模仿人类视觉机制,提出了特征提取能力更强的聚合残差视觉模块（ARVB）,并与先进的单阶段检测网络SSD（Single Shot MultiBox Detector）进行结合,形成最终的ARVBNet。该网络主要用于检测四腔心切面上的解剖结构,包括清晰的左房肺静脉角、以及心尖和调节束,还有由于操作不规范出现的多跟肋骨结构等。最后,根据三个网络的输出,得到每个四腔心切面的整体定量评估分数,从而实现全自动的质量控制。整体质量控制框架具有26 FPS的检测速度,达到了切面实时质量评估的要求。在胎儿超声数据集上的实验表明,我们ARVBNet检测网络与其他一些先进检测模型相比,不仅拥有最高的mAP（mean Average Precision）,还保持着101 FPS的快速速率。ARVBNet是本论文中最具有创新性的网络模型,为了验证模型络的通用性和泛化能力,本文在PASCAL VOC数据集上测试了该模型,取得了比传统检测网络更优秀的性能。本文的质量控制框架具有通用性,在未来可以拓展到其他的超声切面,例如胎儿腹部、头部、颜面部等切面,进行质量控制。