相关实验视频
Updated: Mar 13, 2026
06:45
Automated Joint Space Detection Improves Bone Segmentation Accuracy
Published on: November 28, 2025
243
在超声波图像中对宫神经进行自动细分和定量测量,使用基于SZJ-SEG的深度学习框架
Zheyuan Zhang1, Wen Cao2, Haomei Luan1
1Department of Ultrasound, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua Medicine, Tsinghua University, Beijing, China.
Quantitative imaging in medicine and surgery
|March 12, 2026
概括
这项研究介绍了SZJ-SEG,SZJ-SEG是一种人工智能系统,用于在超声波图像中精确分离宫神经. 它提供准确的,自动测量,以改善神经阻塞程序和诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经元解剖学 神经元解剖学
背景情况:
- 精确的宫神经评估对于超声波导向的神经阻塞,术前评估和诊断外围神经病变至关重要.
- 手动测量宫神经是耗时的,并且取决于操作人员.
- 深度学习为自动神经分析提供了一个潜在的解决方案.
研究的目的:
- 开发一个智能,全自动化系统,用于精确的细分和数量测量宫神经的超声波图像.
- 利用基于深度学习的方法来提高准确性和效率.
主要方法:
- 创建了一个由200名志愿者的117,729张超声波图像组成的大数据集.
- 一个YOLOv11网络定位了成像区域,一个OCR模块提取了尺寸信息.
- 采用ResNet50骨干,Deconv区块和EUCB的SZJ-SEG网络进行了细分和定量分析 (CSA,周边).
主要成果:
- 在SZJ-SEG中,C5,C6,C7神经 (0.9124-0.9041) 和手臂 (0.9227) 的高平均交叉与结合 (mIoU) 值得到了高平均交叉值.
- 横截面积 (CSA) 测量显示了低平均绝对误差 (MAE) (0.278-0.442 mm2) 和平均绝对百分比误差 (MAPE) (2.43%-6.16%),皮尔森相关性> 0.96.
- 周边测量显示出与手册注释的良好一致性 (MAE 0.374-0.471毫米,MAPE 3.05%-4.49%,皮尔森R 0.84-0.91).
结论:
- 该SZJ-SEG系统提供精确,高效和可重现的细分和子宫超声波图像的定量分析.
- 它作为一种可靠的工具来定位神经阻塞和术前评估.
- 它的模块化设计允许扩展到其他解剖区域,表明智能超声波诊断的广泛潜力.
