在产前超声诊断过程中,胎儿标准切面的检测识别是一个关键步骤,是后续结构观察、生物参数测量、畸形诊断的前提。但是标准面的检测耗时繁琐,严重依赖于操作者的主观经验,对于不同操作经验的医师常做出不同的判断结果。因此设计一种自动化的产前超声标准面分类提取系统,对于减少主观差异、提高诊断效率、降低漏检率具有重要意义。与其他成像方式相比,超声图像质量较差,往往受到形变、噪声、伪影的影像。同时实际应用中对智能算法的实时性要求很高,在实时视频中标准切面与相邻帧的非标准切面仅存在细微的差异。因此设计高效实时的标准面分类检测系统是一项十分具有挑战性的工作。针对上述问题,本文从三个层面出发,使用深度学习方法对标准切面分类检测问题进行了系统研究,提出了相应的解决方案。1、产前超声标准面实时分类。在实际应用中智能超声系统需要能够实时运行,但医院设备中的GPU计算资源一般相对较弱复杂的算法不易集成。之前的一些研究在设计时较少考虑算法速度和计算复杂度问题。所以这部分研究我们主要以实时性作为切入点,使用多尺度密集连接网络设计了标准面实时多分类系统。它多尺度和密集连接的设计综合利用了低级别的粗粒度特征和高级别的细粒度特征,使得网络学习更加高效。同时级联式的设计可针对任务调整网络深度进一步节约了计算量。2、可视化与弱监督定位。在深度学习的任务中特别是医学相关的问题中,仅仅给出网络最终的分类预测结果,其说服力是比较弱的。研究时我们不仅希望得到网络的判断结果,而且希望知道网络做出判断的依据。所以在这部分我们使用了类激活映射的方法对标准面分类任务中神经网络的可解释性进行了研究,分析网络视觉焦点和分类结果之间的关系,以热力图的方式研究了网络的注意力机制。最后设计了基于对抗擦除策略的弱监督定位方案。3、标准切面提取、时序学习方法研究。超声视频数据不仅是单帧图片的集合,其中含有丰富动态时序信息。这部分我们使用产前超声视频数据,研究设计基于深度神经网络的视频学习方案,在网络学习中引入帧间时序信息,对基于光流法、LSTM、三维卷积网络的多种方案进行方法学研究。在此基础上针对三维卷积网络不能输出帧级别标签的问题,设计了多级时序上采样策略提出了新型的帧级别三维卷积网络。最终实现了超声视频中胎儿标准切面的实时检测提取。