ディープ・ラーニング・モデルを用いた超音波画像におけるステラート・ギャングリオンブロック領域の自動セグメンテーション
Weixiong Chen1,2, Lili Feng2, Wenna Zhang2
1From the School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Anesthesia and analgesia
|February 16, 2026
まとめ
新しいディープラーニングモデルであるMLF-UNetは,超音波でステラートギャングリオン (SG) 領域を正確にセグメント化し,初心者がステラートギャングリオンブロック (SGB) を安全かつ効果的に実行するのを助けます.
科学分野:
- メディカルイマージング (医学イメージング)
- 医療における人工知能
- 超音波によるガイドされた手順
背景:
- ステラート・ギャングリオン (SG) は,神経ブロックの重要な解剖領域である.
- 超音波誘導型星状ギャングリオンブロック (SGB) は,密度の高い血管化と内膜化のために技術的に要求されています.
- ディープラーニングを用いたSG領域の自動セグメンテーションは,十分に研究されていない.
研究 の 目的:
- SG地域の自動超音波セグメンテーションのためのディープラーニングモデルの開発と検証.
- 超音波によるSGBの手続きの正確性と安全性を向上させるため.
- 臨床医,特に初心者を支援し,SGの解剖を特定する.
主な方法:
- 遡及的研究では,超音波誘導SGBを受けた370人の患者が含まれていました.
- マルチレベル機能融合UNet (MLF-UNet) が開発され,2190の注釈された超音波画像で訓練されました.
- 性能は,ダイス類似度係数 (DSC),ユニオン上の交差点 (IoU),ハウズドルフ距離 (95HD),対称表面距離 (ASSD) を使用して評価され,MLF-UNetをベンチマークモデル,専門家,非専門家と比較した.
主要な成果:
- MLF-UNetは,0.856のDSCと0.754.75のIOUで優れたパフォーマンスを達成しました.
- 専門家の評価によると,MLF-UNetは,トポロジカル・インテグリティ,境界精度,背景精度においてベンチマークモデルを上回った.
- MLF-UNetは,専門家レベルの地域が重なり合っていることを実証し,専門家の区画と比較して境界の不正確さは少し大きい.
結論:
- MLF-UNetは,SG領域の正確な自動超音波セグメンテーションを提供します.
- このモデルは,領域の重複で専門家レベルのパフォーマンスを達成し,手続きの安全性を促進します.
- このディープラーニングのアプローチは,SGBの手順のサポートと臨床訓練の強化に有望である.
