CMSCNet:一种基于上下文的轻量级肌肉骨超声波图像分割方法
Shu Chen1, Zhi-Ze Zhou1, Dong-Xue Liang1
1Institute of Artificial Intelligence in Sports, Capital University of Physical Education and Sports, Beijing, China.
Quantitative imaging in medicine and surgery
|August 11, 2025
概括
这项研究引入了一种轻量级的深度学习框架,用于高效的肌肉骨超声波 (MSUS) 图像细分. 该模型在显著减少参数的情况下实现了高精度,有助于更快,更精确的肌肉分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 肌肉骨超声波 (MSUS) 对于诊断疾病至关重要,但手动分析耗时.
- 图像噪声使MSUS分析复杂化,阻碍了对肌肉结构参数的有效评估.
- 目前用于MSUS细分的深度学习方法是计算密集的,不适合实时.
研究的目的:
- 开发一个轻量级和高效的深度学习框架,用于自动化MSUS图像细分.
- 为了减少计算负载,并提高MSUS图像分析的实时适用性.
- 通过自动化特征提取来提高肌肉骨疾病评估的准确性.
主要方法:
- 一个基于上下文的轻量级深度学习框架,使用修改后的U-Net架构.
- 整合多层感知模块以减少参数和提高效率.
- 集成密集心脏卷积和重组卷积,以改善特征提取和减少冗余性.
主要成果:
- 实现了98.7%的准确性,与U-Net相匹配,但参数减少了90%.
- 获得了0.7227.7的欧盟 (IoU) 的平均交叉点.
- 与地面真相相比,证明了肌肉神经瘤细节和纤维连接的优越捕捉.
结论:
- 拟议的框架允许自动,快速和准确地提取penniform肌肉形态特征.
- 为增强肌肉病理学评估和干预治疗精度提供基础.
- 通过精确的成像分析,有助于提高康复治疗的科学严谨性.
