MDEANet:在超声波图像中使用多个尺度的深度增强注意力网络来对尾进行细分
Fangfang Chen1, Wei Fang2, Qinghua Wu3
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China; School of Anesthesiology, Naval Medical University, Shanghai 200433, China.
概括
一个新的深度学习模型,MDEANet,准确地识别了 popliteal sciatic神经块的超声波图像中的解剖结构. 这种人工智能工具提高了下肢麻醉程序的精度和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 麻醉学 麻醉学
背景情况:
- 在下肢麻醉中,Popliteal 坐骨神经阻塞至关重要.
- 超声指导面临的挑战是由于复杂的民沟解剖学,冒着并发症的风险.
- 准确识别坐骨神经分叉是有效封锁的关键.
研究的目的:
- 介绍MDEANet,这是一个深度学习模型,用于精确细分神经,肌肉和动脉在骨超声图像中.
- 为了提高超声波导向神经阻塞程序的准确性和效率.
主要方法:
- 开发了MDEANet,这是一个深度学习细分网络.
- 嵌入式级联式多尺度空心卷积 (CMAC) 用于多尺度特征提取.
- 利用增强空间注意力机制 (ESAM) 和跨层次特征融合 (CLFF) 来改善特征表示和焦点.
主要成果:
- 在所有结构中,MDEANet实现了88.60%的Union (IoU) 平均交叉率和93.95%的子系数.
- 在 IoU 中表现1.68%,在 Dice 系数中表现1.66%优于最先进的模型.
- 实现了93.31%的子系数,专门用于神经细分.
结论:
- MDEANet显著提高了在骨超声图像中关键解剖结构的细分精度.
- 与现有方法相比,该模型显示出更高的性能.
- MDEANet有潜力成为麻醉师的决策支持工具,提高超声波导向神经阻断的准确性和效率.
