编辑推荐:
为解决超声引导下腘窝坐骨神经阻滞中复杂解剖结构识别困难的问题,研究人员开发了基于深度学习的多尺度深度增强注意力网络(MDEANet)。该网络通过级联多尺度空洞卷积(CMAC)、增强空间注意力机制(ESAM)和跨层级特征融合(CLFF)技术,实现了神经、肌肉和动脉的精准分割,平均交并比(IoU)达88.60%,Dice系数达93.95%,较现有模型提升1.68%。该研究为临床麻醉决策提供了智能化辅助工具。
超声引导下的周围神经阻滞技术虽已广泛应用于下肢麻醉,但腘窝区域复杂的解剖结构仍给临床操作带来巨大挑战。坐骨神经(SN)在腘窝处分叉为胫神经(TN)和腓总神经(CPN),其周围包裹着被称为Vloka鞘的神经旁鞘结构。研究表明,在神经分叉处进行鞘内注射可使阻滞起效时间缩短30%,但超声图像的低分辨率、高噪声特性使得精准定位困难,尤其对经验不足的麻醉医师而言,易导致阻滞不全或神经损伤等并发症。
为解决这一临床痛点,来自上海市第一人民医院等机构的研究团队在《Computerized Medical Imaging and Graphics》发表研究,提出创新性的多尺度深度增强注意力网络(MDEANet)。该研究构建了包含120例患者的腘窝超声数据集(UPSND),通过三大核心技术突破:级联多尺度空洞卷积(CMAC)增强多尺度特征提取能力,增强空间注意力机制(ESAM)聚焦关键解剖区域,跨层级特征融合(CLFF)优化上下文表征。实验证明该模型对神经、肌肉和动脉的分割性能显著优于现有方法。
关键技术方法
研究采用Labat SP超声设备采集图像,构建包含SN、TN、CPN、腘动脉(PA)等结构的标注数据集。网络架构改进自U-Net,核心创新包括:1)用不同膨胀率的CMAC替代传统卷积,扩大感受野;2)在编码器和跳跃连接中嵌入ESAM模块强化空间特征选择;3)通过CLFF实现深浅层特征互补融合。
研究结果
Abstract
MDEANet在腘窝区域所有目标结构的平均IoU达88.60%,Dice系数93.95%,其中神经分割Dice系数达93.31%,较现有最优模型提升1.66%。
Introduction
详述了腘窝SN阻滞的临床价值与技术难点,指出Vloka鞘精确定位对阻滞效果的关键影响,为算法设计提供解剖学依据。
MDEANet
网络架构通过三阶段优化:编码器的CMAC模块采用膨胀率2/4/6的空洞卷积级联;ESAM通过空间权重重标定突出神经鞘膜等薄壁结构;解码器的CLFF实现跨层级特征互补。
Discussions
模型在公开的臂丛神经和乳腺超声数据集上同样表现优异,验证了泛化能力。但存在小样本偏差和实时性待优化等局限。
Conclusions
该研究首次将多尺度注意力机制应用于腘窝超声分割,为神经阻滞手术导航系统开发奠定基础。未来可通过增加异质数据提升模型鲁棒性。
这项研究的突破性在于:首次实现腘窝多结构一体化分割,神经旁鞘(Vloka sheath)的精准定位为鞘内注射提供解剖学标志;所提ESAM机制能有效抑制超声图像中的散斑噪声;临床转化潜力显著,可集成至超声设备实现实时导航。研究获得上海市产学研协同创新项目(HCXBCY-2023-041)等多项基金支持,为智能麻醉辅助系统开发提供了新范式。
生物通 版权所有