基于改进UNet增强超声超微血管成像特征提取与腕管综合征分级研究

《Ultrasonics》：Modified UNet-enhanced ultrasonic superb microvascular imaging feature extraction and grading of carpal tunnel syndrome

本研究创新性地结合超微血管成像（SMI）技术与分类引导的改进UNet分割模型，实现了腕管综合征（CTS）微血管几何特征的客观量化提取与严重程度分级，模型交叉验证准确率达93.7%，为无创精准诊断提供了新范式。

　　

Section snippets

Participants data and ultrasonic image acquisition

本前瞻性研究纳入2024年10月至2025年7月期间于南京鼓楼医院确诊的105例腕管综合征（CTS）患者（年龄26-84岁，平均52.85±11.37岁）及21例健康对照。所有参与者均签署知情同意书，研究获机构伦理委员会批准（批准号：2024-796-01）。受试者均无腕部外伤、手术史或其他神经系统疾病。

Segmentation effect of improved UNet model

为评估所提出的分类引导改进UNet模型在不同超声成像平面中的分割性能，我们将其与在相同策略和数据集下训练的标准UNet模型进行对比。采用交并比（IoU）作为核心评估指标。IoU通过计算预测区域与真实标注区域的重合度（交集/并集）来量化分割精度，其值越接近1表明分割效果越优。

Advantages of the improved UNet model

超声影像存在高度主观性与变异性，其质量依赖于操作者经验及探头取向。不同操作者采集的图像在角度、深度、增益和对比度等方面差异显著，导致同一解剖结构呈现形态迥异。这一特点在腕部等浅表区域尤为明显——探头轻微调整即可引起解剖结构显像显著变化，从而加大自动分割难度。改进UNet通过引入跨平面分类引导机制，有效提升了模型对解剖结构变异性的适应能力。

Conclusion

本研究通过超微血管成像（SMI）与改进UNet分割模型的结合，实现了腕部超声图像的精准识别与分割，并基于微血管几何参数构建了CTS分级的数学模型。通过提取血管密度、走向、斜向血管数量等关键特征，建立了微血管几何形态与CTS严重程度的映射关系，诊断准确率高达93.7%，为超声影像在周围神经病变诊断中的定量化应用提供了方法论与理论支撑。