综述：基于深度学习的穴位定位研究综述

这篇综述系统梳理了深度学习(DL)在中医(TCM)穴位定位领域的研究进展，重点分析了不同算法架构(如HRNet、Transformer、YOLOv8-Pose)在面部、四肢和躯干等区域的定位策略，归纳了常用数据集和评价指标(NME、PCK、mAP等)，并探讨了该技术在临床辅助、自主保健、中医教育和诊断评估等场景的应用前景。

　　

研究背景与意义

在中医理论框架中，穴位是人体经络气血输注的特殊部位，通过针灸、艾灸等刺激可调节气血运行。现代研究表明，穴位具有独特的电生理特性和神经解剖学基础，其定位精度直接影响治疗效果。传统定位方法依赖体表标志和骨度分寸，存在个体差异大、操作者依赖性高等局限。深度学习技术通过自主提取形态特征和空间模式，为自动化高精度穴位定位提供了新范式。

方法分类与分析

区域特异性定位

面部穴位定位多采用改进的多任务卷积网络(MTCNN)和实用面部标志检测器(PFLD)，结合面部关键点实现98.4%的准确率。四肢区域利用MediaPipe框架检测21个手部关键点，通过几何拓扑关系定位误差<3mm。躯干区域则依赖OpenPose检测脊柱中线，结合骨度测量法定位膀胱经等穴位。

算法架构创新

• HRNet：通过并行多分辨率分支保持高分辨率特征，在低分辨率输入下仍能精确定位，背部穴位检测mAP达97.9%
• Transformer：AL-WFBS网络采用混合编码器和IOU感知查询机制，背部84个穴位定位PCK@0.05达0.93
• YOLOv8-ACU：添加高效通道注意力(ECA)模块，面部穴位检测mAP@0.5提升至99.5%

定位策略比较

直接定位法适合特征明显的穴位如印堂(EN-HN3)，而间接法通过参考点定位特征模糊的穴位。高斯热图法精度较高(误差<5像素)，但计算复杂；坐标回归法更适合移动端部署，推理速度达5ms/帧。

多模态成像进展

深度相机可实现三维定位(误差<0.09)，红外热成像利用穴位温差特性(测温误差0.2℃)，CT影像辅助八髎穴(BL31-BL34)定位的mAP@0.5达93.1%。多模态融合能克服单一视觉模态局限，如结合压力传感提升触觉依赖性穴位的定位鲁棒性。

数据集与评估

面部数据集FAcupoint包含654张标注43个穴位的图像，手部数据集基于11K Hands标注18个穴位。评估采用标准化指标：

• 归一化平均误差(NME)<3%
• 关键点相似度(OKS)反映空间一致性
• 平均精度(mAP@0.5:0.95)评估整体性能

应用场景

1. 临床辅助：AR系统实时显示穴位位置，误差<1cm
2. 智能设备：艾灸机器人通过RGB-D成像实现三维定位
3. 中医教育：虚拟穴位图谱辅助教学，定位准确率95.7%
4. 诊断评估：红外热图分析穴位温差与疾病相关性

挑战与展望

当前存在数据集稀缺(仅约10%公开)、跨区域定位方法缺失等局限。未来需开发：

• 多姿态自适应算法
• 触觉-视觉融合模型
• 轻量化部署方案(参数量<1.67M)
• 与基础模型结合的知识增强定位系统

该领域发展将推动中医诊疗设备智能化，如实现激光穿刺疗法的亚毫米级定位精度，为传统医学的现代化提供关键技术支撑。