解剖引导基础模型适应与箱内原型监督，用于胎儿超声盲扫中的标准平面检测

在低成本产科盲扫中检测胎儿腹围标准平面是一个高度不平衡的帧分类问题：正帧占序列的 3% 以下，形成短的连续片段，并且现成的超声和视觉基础模型处理不好。我们提出了AnatoProto，一个轻量级的序列级框架，它通过四个组件使冻结的 BiomedCLIP 编码器适应胎儿盲扫：（i）解剖加权空间池，使用 nnU-Net 腹部区域概率作为重新加权 BiomedCLIP 补丁标记之前的空间，因此冻结的语义特征被聚合到解剖学上有意义的区域； (ii) 案例内原型损失，利用帧级别不可用的案例级别结构，将每个帧嵌入拉向同一扫描的正帧的平均值； (iii) 三阶段级联细化（帧->分段->案例级拒绝器），将预测单元从噪声帧提升到结构受限的分段； (iv) 混合预测头，联合模拟每帧稳定性和帧间边界转换以抑制边界误报。在 ACOUSLIC-AI 基准测试中，AnatoProto 的测试 F1 达到 67.72，比最强的基础模型基线（FetalCLIP + PRS，F1 = 54.52）高出 +13.20 F1，比最强的视频时间动作检测基线（TriDet + PRS）高出 +15.76 F1。一项由嵌入几何和配对引导置信区间支持的协同研究表明，原型损失和解剖加权池不是相加的：单独应用原型损失可将召回率降低 12 个点，但与解剖加权池结合使用，它可将召回率提高 6.5 个点——这是我们追踪到案例内原型准确性的符号翻转。