深度学习融合超声影像与射频信号评估头低位卧床肌萎缩的动态演变

本研究创新性地将B型超声图像与射频（RF）信号通过双编码器深度学习模型进行融合分析，成功实现模拟微重力环境下肌肉萎缩的精准评估（准确率达87%），为失重性肌萎缩的早期无创诊断提供了突破性技术方案。

　　

^Highlight

头低位卧床实验与超声数据采集

在卧床实验中，受试者通过保持头低位倾斜姿势模拟失重环境下头部体液重新分布的生理状态。长期卧床制动引发 musculoskeletal system（肌肉骨骼系统）显著适应性变化，尤其在下肢（如股四头肌），表现为肌纤维横截面积减少、肌肉体积减小等萎缩特征。从时间维度看，肌肉质量损失速率在卧床初期最快，随后逐渐减缓。

单模态与融合超声评估

通过组合损失函数联合优化分类和分割任务以实现废用性肌萎缩评估。图4展示了跨训练周期的分类和分割损失函数曲线。训练曲线表明，分类和分割任务的损失函数在100个epoch内快速收敛，前10个epoch下降最显著，之后改进速率逐渐放缓并趋于稳定。

讨论

太空飞行中的微重力环境导致显著骨骼肌萎缩。准确评估和诊断微重力环境下肌萎缩程度对其防治至关重要，是及时干预的关键。骨骼肌切片作为诊断失重性肌营养不良的金标准，在肌萎缩评估中具有重要地位。然而该方法仅能评估最终结果且具有侵入性，限制了其临床应用。超声技术作为非侵入性工具，通过分析肌肉结构特征变化（如回声强度、肌纤维排列）为肌萎缩评估提供新视角。本研究通过融合B型图像和RF信号的多模态深度学习框架，显著提升了肌萎缩评估的准确性（达87%），证明了超声技术在太空医学中的应用潜力。

结论

本研究采用超声技术评估卧床期间的肌萎缩。通过建立猕猴头低位卧床模型模拟太空飞行微重力环境，结果表明超声RF信号和B型图像能够有效评估肌萎缩，而深度学习可高效提取并融合与肌萎缩相关的内在超声特征。肌肉评估可为其他生理变化提供宝贵见解，因为肌萎缩常与多系统功能障碍相关联，此方法对长期制动的临床诊断具有重要参考价值。

Conflict of interest

作者声明无利益冲突。

Data availability statement

支持本研究结果的数据和代码可向通讯作者合理索取。

Acknowledgments

本研究由国家自然科学基金（Grant Nos. 12034005, 12104284 and 12474456）、陕西省自然科学基础研究计划（Program No. 2024JC-YBMS-047）、中国博士后创新人才支持计划（Grant No. BX20190193）和中国博士后科学基金（Grant No. 2019M663612）资助。