综述：基于超声的剪切波弹性成像技术在膝关节骨关节炎患者中的方法学应用：一项综述性研究

《Ultrasound in Medicine & Biology》：Methodological Implementation of Ultrasound-Based Shear Wave Elastography in Individuals With Knee Osteoarthritis: A Scoping Review

实时追踪超声下隐匿性肝病灶的DCFNet算法研究。通过构建可见与不可见肿瘤模型验证算法性能，在可见模型中实现93.2%追踪准确率，在不可见模型中穿刺成功率94.3%，平均定位误差0.7±0.4mm。该算法结合解剖标志物追踪与深度学习，为超声引导消融提供精准定位支持。

　　

Jing Yang|Erjiao Xu|Shanshan Wu|Shuang Liang|Huahui Liu|Hui Che|Jian Wu

中国广东省深圳市中山大学第八附属医院医学超声科

摘要

目的

本研究旨在探讨基于判别相关滤波器网络（DCFNet）的算法在常规超声检查中通过追踪周围解剖标志（SALs）来定位不明显的肝病灶（FLLs）的可行性。

方法

我们开发了一种算法，该算法利用SALs的相对位置特征来实现对不明显FLLs的实时超声追踪。使用基于深度学习的快速追踪框架DCFNet同时追踪多个SALs。所提出的基于DCFNet的算法能够辅助实时超声下的FLLs追踪，并进一步指导穿刺或消融操作。我们设计了可见和不可见的肝肿瘤模型用于追踪和穿刺性能评估。算法性能通过匹配准确性、精确度和位置误差进行评估。在不可见肝肿瘤模型上，穿刺验证通过成功率和指导时间来评估。

结果

研究共包括20个可见肝肿瘤模型、20个不可见肝肿瘤模型以及初步临床病例。在可见肝肿瘤模型中，该算法的追踪准确率为93.2%，精确率为92.9%，平均肿瘤定位误差为0.7 ± 0.4毫米。对于不可见肝肿瘤模型，穿刺成功率为94.3%，平均耗时为4（3–5）秒。

结论

基于DCFNet的算法可以作为在超声下定位和追踪不明显FLLs的潜在方法，其初步临床可行性值得进一步的大规模验证。

引言

图像引导的经皮热消融治疗是早期肝细胞癌（HCC）的三种根治性治疗方法之一[1,2]。常规超声因其实时监测、成本效益、易用性以及无辐射暴露等优点，成为HCC热消融最常用的引导和监测工具[3,4]。然而，通过增强CT（CECT）和增强MRI（CEMRI）检测到的肝病灶（FLLs）中有14.6%至55.0%在超声图像上可能仍然不可见[5,6]。这些不明显的FLLs可能导致超声检查中的漏诊，更重要的是，它们可能会给需要超声引导的热消融治疗带来困难[8]。因此，开发精确定位和持续追踪这些不明显FLLs的方法对于支持超声引导的热消融至关重要。

为了解决超声引导热消融的不足，已经应用了增强超声（CEUS）和超声-CT/MR融合成像（FI）技术来显示这些不明显的FLLs，并已被证明是有效的[[9], [10], [11], [12]]。然而，CEUS需要额外注射超声造影剂，且动脉相的增强时间较短。此外，一些FLLs在延迟相期间不会被清除，这限制了其追踪和定位结节的能力[13]。尽管超声-CT/MR FI可以在CTMR的引导下连续追踪FLLs的位置，但图像配准高度依赖于操作者的经验，这使得超声-CT/MR FI仅在少数中心得到临床应用[5,14,15]。

近年来，判别相关滤波器网络（DCFNet）作为一种先进的基于深度学习的视觉追踪算法而受到关注[16]，并已应用于超声引导的介入程序[17,18]。它结合了全卷积网络（FCN）作为特征提取器以及判别相关滤波器（DCF）作为追踪器，能够在实时超声成像中准确且稳健地追踪肝脏解剖标志[19]。据我们所知，目前尚无关于使用DCFNet追踪多个周围解剖标志（SALs）以在热消融过程中定位和追踪超声图像上不明显FLLs的报告。因此，本研究的目的是评估在热消融过程中使用DCFNet实时追踪超声图像上不明显FLLs的可行性。

研究设计与概述

我们首先建立了可见肝肿瘤模型以开发基于DCFNet的算法并进行初步验证。随后，构建了不可见肝肿瘤模型，以便在DCFNet算法的引导下进行穿刺和验证。最后，评估了超声图像上具有不明显FLLs的回顾性临床病例，以在临床环境中探索该算法的可行性。

该算法的策略包括两个方面

结果

如表1所示，基于DCFNet的算法在所有测试条件下均表现出稳健的分类性能。总体而言，术前验证在模型和临床病例中的准确率（93%–100%）和精确率（93%–100%）都很高，假阳性率（FPR）始终较低（≤3.5%）。F1值（0.93–1.00）和假阴性率（FNR）（0%–7%）进一步证实了病变识别的可靠性。在更具挑战性的术中条件下，性能依然强劲，仅有轻微的准确率下降。

讨论

在临床实践中，实时追踪和定位超声图像上的不明显FLLs对于经皮穿刺和消融治疗是一个关键挑战。尽管深度学习在医学成像中已成为一种突出的方法，并在鉴别诊断和预后预测方面显示出巨大潜力[28]，但其在辅助肿瘤介入治疗中的应用，特别是在超声图像上实时追踪目标方面，仍然相对有限。

结论

所提出的基于DCFNet的算法可以作为在超声下定位和追踪不明显FLLs的潜在方法。然而，该算法主要在模型上进行实验和验证，其准确性仅通过不可见肝肿瘤模型的活检得到确认。此外，本研究仅回顾性地纳入了三个临床病例的图像进行算法验证。

作者贡献

JY和EX作为共同第一作者平等贡献：JY设计并执行实验并起草了手稿；EX开发了模型和临床方法。SW收集了模型数据，而SL获取了不明显肝病变的临床数据。HL进行了数据分析和验证。HC和JW共同担任通讯作者，HC负责研究设计和算法优化，JW负责手稿完善和科学监督。

相关性声明

这种基于DCFNet的算法能够通过解剖标志实时追踪不明显的肝病变，提高穿刺准确性（94.3%的成功率）和亚毫米级的精确度，同时展示了其在超声引导干预中的初步临床适用性。

伦理批准和参与同意

该临床研究获得了中山大学第八附属医院伦理委员会的批准（批准编号：2023-002-01），并遵循了赫尔辛基人体试验规定，每位患者均签署了CEUS程序的书面知情同意书。

数据可用性声明

由于法律和伦理限制保护患者隐私，数据集不对外公开。经第一作者同意并签署数据协议及获得伦理批准后，可以提供去标识化的数据。本研究生成的数据集包含敏感的参与者信息，由于隐私和伦理限制，不对外公开。如需用于研究目的，可应合理要求提供有限访问权限。

致谢

本研究得到了中国国家自然科学基金（82272011）、广东省自然科学基金（2022A1515012155）以及深圳市科技创新计划（JCYJ20220530160208018）的资助。

利益冲突

作者声明没有利益冲突。