基于双流特征融合三维网络的肩袖肌腱撕裂精准分级研究

针对肩袖肌腱撕裂传统分类方法细节不足、计算复杂度高的问题，研究人员创新性提出双流特征融合三维网络（DSFF-3DNet），首次实现6类精细化分级。该模型通过YOLOv9快速定位ROI区域，结合CBAM与Transformer模块增强特征提取，在1014例患者数据中AUC达97.88%，较传统模型提升9.38%，为临床手术方案选择提供智能化决策支持。

　　

肩袖肌腱撕裂是导致中老年人群肩关节疼痛和功能障碍的主要原因，其中冈上肌肌腱撕裂占比高达70%。尽管MRI已成为临床诊断金标准，但传统分类方法依赖人工评估，存在耗时长、主观性强等问题。现有深度学习模型多基于二维图像，难以捕捉三维空间特征，且计算复杂度高。更棘手的是，既往研究仅进行二分类或三分类，无法满足临床对精细化分级的需求——这直接关系到手术方式选择和术后康复效果。

为解决这些难题，研究人员开发了双流特征融合三维网络（DSFF-3DNet）。该研究首次将冈上肌肌腱全层撕裂细分为4个等级（依据Codman系统），构建包含1014例患者的MRI数据集，并通过YOLOv9模型实现ROI区域自动化提取。DSFF-3DNet创新性地采用双流输入架构，同步处理原始图像与ROI区域，在特征提取阶段逐层融合多尺度特征，引入深度可分离卷积降低计算量。特征增强阶段整合CBAM（卷积块注意力模块）和Transformer机制，显著提升模型对关键特征的敏感性。

关键技术包括：1）基于YOLOv9的ROI快速定位；2）双流三维卷积特征融合；3）CBAM与多头注意力机制的特征增强；4）跨中心验证（3.0T/1.5T MRI数据）。研究数据来自4个医疗中心，包含内部测试集和2个独立外部测试集。

主要研究结果

1. 模型性能对比：DSFF-3DNet在内部测试集AUC达97.88%，较传统3D ResNet提升3.51%；在外部测试集分别达到88.06%和84.47%，优势扩大至9%以上。
2. 双流结构验证：消融实验证实，同时输入图像和ROI的模型比单输入模型准确率提高4.2%，证明双流设计能有效整合全局与局部特征。
3. 计算效率优化：深度可分离卷积使FLOPs降低67%，而分类性能仅下降1.3%，实现效率与精度的平衡。

讨论与意义
该研究突破性地将冈上肌肌腱撕裂分类扩展至6个等级，为临床提供更精细的决策依据。DSFF-3DNet的创新性体现在三方面：首先，通过YOLO标签替代人工标注，将ROI提取时间从数小时缩短至分钟级；其次，双流架构有效解决三维医学图像中背景噪声干扰问题；最后，模块化设计使模型可扩展至其他器官的MRI分析。

值得注意的是，模型在外部测试集的性能差异（88.06% vs 84.47%）揭示不同扫描参数对泛化能力的影响，这为后续多中心研究指明优化方向。研究者特别指出，当YOLO检测置信度阈值设为0.3时，能确保所有切片至少保留一个检测框，该策略显著提升小目标检出率。

该成果发表于《Computerized Medical Imaging and Graphics》，其临床价值在于：1）辅助放射科医生快速完成MRI定量评估；2）为关节镜手术方案提供客观依据；3）通过标准化分级降低不同医师间的诊断差异。未来研究可探索模型在超声影像中的应用，并进一步优化对部分厚度撕裂（Ellman分级）的识别精度。