使用两阶段深度学习方法的腰部横向超声波视图的自动细分和分类
Jiangang Chen1, Qing Yuan2, Haowen Wang3
1Shanghai Key Laboratory of Multidimensional Information Processing, School of Communication & Electronic Engineering, East China Normal University, Shanghai, China.
Frontiers in radiology
|March 2, 2026
概括
一个新的深度学习框架准确地识别了关键的腰部超声波视图,提高了区域麻醉的安全性和效率. 这种人工智能方法有助于临床医生识别参数中介横向视图,以更好地控制疼痛.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 疼痛管理 疼痛管理
背景情况:
- 超声指导对于腰部区域麻醉和疼痛管理至关重要,因为它具有便携性和实时可视化.
- 关键的腰部超声波视图,横向过程中的横向视图 (PTV-TP) 和横向前视图 (PTFV) 的横向视图对于新手来说至关重要,但具有挑战性.
- 准确识别这些视图对于诸如腰椎结交阻塞和跨额外注射等手术至关重要.
研究的目的:
- 开发和评估基于深度学习的两阶段框架,用于在腰部超声波图像中自动检测和分类PTV-TP和PTFV.
- 提高腰部超声波视图识别的准确性和可靠性,减少对操作员专业知识的依赖.
主要方法:
- 收集了425名接受疼痛治疗的患者的超声波图像.
- 开发了一个两阶段的框架: 1) U-Net语义细分来识别腰部解剖学地标 (横向过程,脊椎间孔),分组为一个类.
- 2) 基于坐标的空间特征来自分段面具,使用支持矢量机 (SVM) 分类,以区分PTV-TP和PTFV视图. 与一个端到端的CNN分类器相比.
主要成果:
- 该U-Net细分模型实现了83.21%的交集在联盟 (IoU),超过传统的多类U-Net (77.33%).
- 基于坐标的SVM分类器在区分PTV-TP和PTFV视图时达到97.66%的准确性,明显超过端到端的CNN (85.00%).
- 该框架在具有挑战性的超声波图像上表现出稳定的性能.
结论:
- 拟议的两阶段框架通过整合语义细分和基于坐标的分类来准确地自动化腰部超声波视图识别.
- 这种人工智能方法模拟了关键的解剖学地标和空间关系,减少了对操作员经验的依赖,以实现更安全,更有效的超声波引导的腰部手术.
- 未来的工作重点是扩大数据集,并在各种临床环境中验证可通用性.
