基于改进Unet的面神经微创手术精准分割与实时检测模型研究

为解决微创手术中面神经(Facial Nerve)精准分割与检测难题，研究人员开发了一种集成多重注意力机制、特征增强跳跃连接及多维卷积模块的改进Unet模型。该模型在验证集和测试集分别取得0.9165和0.6543的mIOU，能在出血/遮挡等复杂场景中实现精准分割，为微创手术实时导航提供新方案。

　　

在面神经减压微创手术领域，科研团队通过深度学习技术实现了突破性进展。研究收集25例患者手术视频，从中提取并标注2724张训练图像（经数据增强至12,260张）和1674张独立测试图像。针对传统Unet模型在模糊/小目标图像处理的局限性，创新性提出集成注意力机制、特征富集跳跃连接(feature-rich skip connection)和多维卷积块(multi-dimensional convolutional block)的改进Unet架构。实验证实，该模型在含血液/组织遮挡等复杂场景中仍能精确定位面神经，验证集mIOU达0.9165，测试集0.6543。通过FullGrad热图验证模型已有效学习面神经特征，为微创手术中关键解剖结构的实时可视化导航提供了可靠技术支撑。