深度学习应用在精子静脉超声波细分中的探索和性能分析
Yunhao Hu1, Penglin Zou2, Rongguo Yan3
1School of Health Science and Engineering, University of Shanghai for Science and Technology, No. 516, Jungong Road, Yangpu District, Shanghai, , 200093, China.
Biomedical physics & engineering express
|March 9, 2026
概括
开发用于静脉瘤诊断的自动化工具是具有挑战性的,因为数据和图像质量有限. 当前的深度学习模型显示了性能上限,表明需要专门的算法而不是通用的算法.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
背景情况:
- 男人不孕症的常见原因是静脉,通过超声波 (美国) 进行诊断.
- 目前美国手动测量精子静脉的测量是主观的,耗时的,缺乏可重现性.
- 自动化分析受到稀缺的注释数据和美国图像质量问题 (低对比度,高噪音) 的阻碍.
研究的目的:
- 开发和验证一个高效的半自动注释工作流程用于精子静脉细分.
- 通过深度学习建立第一个用于自动化精子静脉细分的性能基准.
- 评估最先进的和定制的深度学习模型,用于此特定的细分任务.
主要方法:
- 提出了一个半自动注释管道,将分段任何模型 (SAM) 与临床医生改进相结合.
- 进行了对细分模型的全面基准测试,包括U-Net,U-Net++,Attention U-Net,RPA-UNet,以及拟议的深度监督U-Net (UNet-DS).
- 模型的评估是使用离开一个患者的交叉验证和统计学意义测试.
主要成果:
- "SAM+临床医生"工作流表现出与专家注释的良好一致 (迪斯相似系数 [DSC] = 92.66%).
- 基线U-Net实现了61.33%的平均DSC;只有注意力U-Net显示了统计学上显著的改善 (p=0.0391).
- 所有评估的模型都在狭窄的DSC范围内 (61%-65%) 停滞不前,这表明性能上限远低于成熟的美国细分领域.
结论:
- 对精子静脉细分的高效半自动注释解决方案进行了验证.
- 该研究确定了自动化精子静脉细分的第一个性能基准.
- 固有的数据限制,而不是模型架构,似乎是主要的障碍;未来的进步可能需要基于物理的算法.
