Hidden Markov Models and Deep Neural Networks: segmentation of the Fetal Heart Rate signal into behavioral patterns

Cardiotocography is a widespread monitoring technique for the assessment of fetal well-being which involves the simultaneous measurement of the fetal heart rate and uterine contractions, possibly along with fetal movements. In the final stages of pregnancy four different fetal behavioral states emerge: quiet sleep, active sleep, quiet awake and active awake. Their precise determination necessitates however the simultaneous and objective measurement of heart rate patterns, body movements, and eye movements. In the context of cardiotocography, it is more common to distinguish only between active and quiet states, and the cycling between these is considered a hallmark of fetal well-being. The purpose of this thesis is the development of algorithms for the automatic segmentation of fetal heart rate traces into active and quiet patterns, indicative of the underlying fetal behavioral state. A total of 115 labeled traces provided by an expert gynecologist were used as reference data for the various steps of the project. First, unsupervised hidden Markov models (HMM) were employed, starting from several parameters which were computed using sliding windows on each fetal heart rate trace. A specific emphasis was given on investigating whether considering the gestational age of the pregnancy could improve the signal segmentation. However, the developed unsupervised pipeline showed little room for improvement, which led to a transition towards a deep learning approach. The developed neural network was first pre-trained on pseudo-labels generated by the HMM, leveraging the abundant unlabeled set at disposal. The model was then fine-tuned using a portion of the labeled set provided by the expert clinician. Finally, the proposed neural network was evaluated on a separate hold-out test set, obtaining a median Macro F1-Score of 90.19% in a trace-by-trace comparison, significantly outperforming the previously developed HMM.

La cardiotocografia è una tecnica di monitoraggio molto diffusa per la valutazione del benessere fetale che prevede la registrazione simultanea della frequenza cardiaca fetale e delle contrazioni uterine, possibilmente insieme ai movimenti fetali. Nelle fasi finali della gravidanza emergono quattro differenti stati comportamentali fetali: sonno quieto, sonno attivo, veglia quieta e veglia attiva. La loro precisa determinazione richiede tuttavia la misurazione simultanea e oggettiva di pattern di frequenza cardiaca, movimenti del corpo e movimenti oculari. Nel contesto della cardiotocografia è più comune distinguere solo tra stati di attività e di quiete, e il passaggio ciclico tra questi viene considerato un segno distintivo di benessere fetale. Lo scopo di questa tesi è lo sviluppo di algoritmi per la segmentazione automatica della traccia della frequenza cardiaca fetale in pattern di attività e di quiete, indicativi dello stato comportamentale fetale. Un totale di 115 tracce annotate, fornite da un ginecologo esperto, sono state usate come riferimento per le varie fasi del progetto. Inizialmente sono stati utilizzati hidden Markov model (HMM) non supervisionati, a partire da diversi parametri calcolati su ciascuna traccia di frequenza cardiaca fetale usando finestre mobili. È stata posta particolare attenzione nell'indagare se l’inclusione dell'età gestazionale della gravidanza potesse portare ad un miglioramento della segmentazione del segnale. Tuttavia la pipeline sviluppata ha mostrato poco margine di miglioramento, il che ha portato a optare per approcci basati su tecniche di deep learning. La rete neurale è stata prima pre-allenata usando pseudo-label generate dall'HMM, sfruttando quindi l'ampio set di dati non annotati a disposizione. Il modello è stato poi ulteriormente rifinito usando una porzione delle annotazioni fornite dal clinico. Infine, la rete neurale è stata valutata su un dataset di test separato, calcolando il Macro F1-Score traccia per traccia e ottenendo un risultato mediano del 90,19%, significativamente superiore rispetto al precedente HMM.