基于多尺度扩张U-Net的超声膈肌自动测量系统开发与临床应用评估

本研究针对膈肌功能评估中传统手动测量方法存在的主观性强、误差大等问题，开发了基于MRDU-Net（多尺度扩张U-Net）的自动测量系统。通过构建包含B/M模式超声图像视频的数据集，创新性提出STFFNet时空特征融合网络，实现膈肌厚度（DT）和移动度（DE）的精准分割，测量误差分别低至8.12%和4.3%。该研究为临床提供了一种消除主观偏差的自动化评估方案，发表于《Respiratory Research》。

　　

呼吸功能评估领域长期面临一个临床痛点：作为核心呼吸肌的膈肌，其功能评估依赖超声测量，但传统手动测量方法存在"双重主观性"——既需要操作者具备高超的成像技术，又要求评估者具有丰富经验。这种现状导致膈肌厚度（Diaphragm Thickness, DT）、增厚分数（Diaphragm Thickening Fraction, DTF）和移动度（Diaphragm Excursion, DE）等关键参数的测量结果变异度大，严重制约了膈肌功能障碍的早期诊断。

为解决这一难题，浙江大学医学院附属第一医院康复医学科联合浙江大学 Biomedical Engineering and Instrument Science 学院的研究团队开展了一项突破性研究。他们创新性地将深度学习技术引入膈肌超声评估领域，开发出全球首个集"图像分割-参数计算-临床验证"于一体的全自动测量系统。这项发表于《Respiratory Research》的研究成果，为呼吸功能评估提供了客观精准的量化工具。

研究团队采用三大关键技术：首先构建包含321幅膈肌厚度图像和488幅移动度图像的临床数据集，通过五折交叉验证确保模型稳健性；其次开发MRDU-NetV3网络，创新性融入多比率扩张卷积（Multi-ratio Dilated Convolution）和通道注意力模块（Channel Attention Block），使膈肌厚度图像分割IoU达76.57%；最后设计STFFNet时空融合网络，整合时间注意力机制，实现视频分割速度23帧/秒的实时处理。

【主要研究结果】

1. 网络架构比较：
   通过对比U-Net、CMU-Net等六种网络，证实MRDU-NetV3在膈肌厚度分割中表现最优（DSC=85.92%），而MRDU-NetV1在移动度分割中最稳定。创新设计的上下文语义门控融合模块（Context Semantic Gating Fusion Module）显著提升了薄层组织的识别精度。

2. 视频分割突破：
   STFFNet在膈肌厚度视频分割中IoU提升11.39%（达66.79%），有效解决了传统方法将周围组织误判为膈肌的问题。如图4(a)所示，其分割轮廓（红线）与金标准（蓝区）高度吻合。

3. 临床验证数据：
   Bland-Altman分析显示，自动测量与人工结果的DTF平均误差仅8.12%，DE误差更降至4.3%。表3、4数据显示，在10例DTF和7例DE测量中，系统稳定性良好（标准差分别为6.45%和2.11%）。

4. 创新测量方案：
   研究提出的"中值滤波+呼吸周期识别"算法（图2）成功解决波形毛刺问题，通过设定"相邻峰谷间隔≥90帧"的生理约束，准确捕捉吸气末（DTei）与呼气末（DTee）关键位点。

【研究启示】
该研究首次系统论证了深度学习在膈肌超声评估中的三大优势：一是通过MRDU-Net的多尺度特征提取能力，克服了膈肌与周围组织回声相似的识别难题；二是STFFNet的时空融合机制，实现了呼吸动态过程的精准跟踪；三是全自动测量方案消除了EXODUS共识指出的"操作者依赖性"问题。

特别值得关注的是，研究发现膈肌厚度呈"中间薄两侧厚"的分布特征，但增厚分数无固定分布规律。这一发现为临床测量位点选择提供了实证依据。团队开发的Tkinter交互界面（图2）已实现DTF、DE等参数的"一键式"测量，其23FPS的处理速度满足临床实时需求。

未来研究需在两方面突破：一是提升低质量图像（如重度肥胖患者）的分割鲁棒性；二是开展多中心验证，目前数据均来自Mindray Resona i9超声设备的单中心采集。正如讨论部分指出，这项技术有望重塑膈肌功能评估范式，为呼吸衰竭、肌萎缩侧索硬化等疾病的早期筛查提供新工具。