Ultraschall Med
DOI: 10.1055/a-2589-7938
Original Article

Quantitative Cystocele Assessment in Clinical Pelvic Floor Ultrasound Diagnosis

Quantitative Bewertung der Zystozele in der klinischen Ultraschalldiagnostik des Beckenbodens
Nan Bao
1   College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China (Ringgold ID: RIN12434)
,
Shiying Chen
1   College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China (Ringgold ID: RIN12434)
,
Meng Dong
2   Department of Ultrasound, Shengjing Hospital of China Medical University, Shenyang, China (Ringgold ID: RIN85024)
,
Guangyu Zhu
1   College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China (Ringgold ID: RIN12434)
,
1   College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China (Ringgold ID: RIN12434)
,
Xinlu Wang
2   Department of Ultrasound, Shengjing Hospital of China Medical University, Shenyang, China (Ringgold ID: RIN85024)
› Author Affiliations

Supported by: Science and Technology Program Project of Liaoning Province 2021JH1/10400045
Preview

Abstract

Purpose

Cystocele is a pelvic floor dysfunction disease to which women are prone after childbirth. The accuracy of pelvic floor ultrasound as the most commonly used examination method is influenced by subjective factors such as doctor experience and fatigue level, making it challenging to achieve high accuracy, consistency, and repeatability of diagnosis. This study aims to propose a high-precision and fully automatic cystocele evaluation method based on pelvic floor ultrasound video images.

Materials and Methods

This study retrospectively collected pelvic floor ultrasound images of 158 female G1P1 (first gestation and first parturition) patients from 2020 to 2024. According to the ultrasound diagnosis made by two senior doctors as the standard, 81 cystoceles and 66 non-cystocele patients were enrolled. Firstly, the ResNet34-UNet was used for automatic urethra segmentation. Then, key points were generated based on the automatically extracted urethra centerline. Features such as urethral key point displacement, urethral curvature change, and urethral inclination angles and their change were extracted for patients between rest and maximum Valsalva states. The support vector machine (SVM) classification model was used for cystocele prediction.

Results

This study constructed two classification models to predict cystocele. One extracted the above features based on the automatic urethra segmentation, while the other extracted them based on the doctor-annotated urethra. The experimental results show that both models have achieved good prediction results, with AUCs of 91.37% and 98.58%, respectively. Model performance based on the urethral image delineated by the doctor is better, with an AUC improvement of 7.21% based on the independent test set.

Conclusion

The proposed method can achieve high-precision, repeatable, fully automatic quantitative cystocele evaluation in pelvic floor ultrasound examinations.

Zusammenfassung

Ziel

Die Zystozele ist eine Beckenbodenfunktionsstörung, zu der Frauen nach der Geburt neigen. Die Genauigkeit der Sonografie des Beckenbodens als häufigste Untersuchungsmethode wird durch subjektive Faktoren wie der Erfahrung des Arztes und dessen Ermüdungsgrad beeinflusst, was es schwierig macht, eine hohe Treffsicherheit, Konsistenz und die Reproduzierbarkeit der Diagnose zu erreichen. Ziel dieser Studie ist die Entwicklung einer hochpräzisen und vollautomatischen Methode zur Diagnostik der Zystozele auf Basis von Ultraschall-Videobildern des Beckenbodens.

Material und Methoden

In dieser Studie wurden retrospektiv Beckenboden-Ultraschallbilder von 158 weiblichen G1P1-Patientinnen (Erstschwangerschaft und Erstgeburt) zwischen 2020 bis 2024 erhoben. Entsprechend der Standard-Ultraschalldiagnose zweier erfahrener Ärzte wurden 81 Patientinnen mit Zystozele und 66 Patientinnen ohne Zystozele in die Studie aufgenommen. Zunächst wurde ResNet34-UNet für die automatische Segmentierung der Harnröhre verwendet. Anschließend wurden Schlüsselpunkte basierend auf der automatisch extrahierten Harnröhrenmittellinie generiert. Merkmale wie die Verschiebung der Harnröhren-Schlüsselpunkte, die Veränderung der Harnröhrenkrümmung und die Neigungswinkel der Harnröhre sowie deren Veränderung wurden für Patientinnen im Ruhezustand und im maximalen Valsalva-Manöver extrahiert. Für die Vorhersage von Zystozelen wurde Klassifikationsmodell Support Vector Machine (SVM) verwendet.

Ergebnisse

In dieser Studie wurden zwei Klassifizierungsmodelle zur Vorhersage von Zystozelen erstellt. Das eine extrahierte die oben genannten Merkmale auf der Grundlage der automatischen Harnröhrensegmentierung, während das andere sie auf der Grundlage der vom Arzt annotierten Harnröhre extrahierte. Die experimentellen Ergebnisse zeigen, dass beide Modelle gute prädiktive Ergebnisse erzielt haben, mit AUCs von 91,37% bzw. 98,58%. Die Modellleistung auf der Grundlage des vom Arzt dargestellten Harnröhrenbildes ist besser, mit einer um 7,21% verbesserten AUC basierend auf dem unabhängigen Testsatz.

Schlussfolgerung

Die vorgeschlagene Methode ermöglicht eine hochpräzise, wiederholbare und vollautomatische quantitative Diagnose von Zystozelen bei Ultraschalluntersuchungen des Beckenbodens.



Publication History

Received: 22 April 2024

Accepted after revision: 16 April 2025

Accepted Manuscript online:
16 April 2025

Article published online:
14 August 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany