DFF-Net:一个轻量级的动态特征融合网络,用于对臂的超声图像进行实例细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 人体解剖学 解剖学 解剖学

背景情况:

• 在关水平的神经是小的,曲的,由于图像噪音和模糊,超声波很难可视化.
• 超声波图像的手动细分用于神经定位容易出现错误,降低了股神经阻塞的准确性和成功率.
• 现有的轻量级网络在神经和周围组织之间的精确边界区分方面扎,并且缺乏对神经实例细分的优化.

研究的目的:

• 开发一种轻量级但准确的AI模型,用于在超声波图像中增强臂神经的细分和定位.
• 通过解决当前细分技术的局限性,提高超声波导向神经阻断的准确性和效率.
• 为执行股神经阻塞的临床医生提供可靠的辅助工具.

主要方法:

• 提出了一个动态特征融合网络,将重新参数化的视觉变压器与空间金字塔聚合相结合,以有效提取特征.
• 实施了SIMAM增强的双向融合网络,具有用于动态多尺度特征融合的相似性关注模块,改善了神经血管区域细分.
• 利用基于上下文的机制来增强目标本地化和混合损失函数来优化训练并提高本地化准确性.

主要成果:

• 拟议的方法在单个GPU上实现了每秒57 (FPS) 的处理速度.
• 该模型获得了0.604@0.5:0.95的平均平均精度 (mAP),证明了高分段精度.
• 观察到对腕的细分精度和效率有显著的改进.

结论:

• 动态特征融合网络为在超声波成像中准确和高效地细分臂提供了一个有前途的解决方案.
• 开发的模型提供了一个可靠的辅助工具,有可能提高超声波导向股神经块的安全性和成功率.
• 这种由人工智能驱动的方法解决了区域麻醉程序医疗图像细分的关键挑战.