基于深度神经网络的足部固有肌群超声图像自动分割:开发与验证研究

《Ultrasound in Medicine & Biology》:Automated Segmentation of Intrinsic Foot Muscles in Ultrasound Using Deep Neural Networks: Development and Validation Study

【字体: 大 中 小 】 时间:2026年10月15日 来源:Ultrasound in Medicine & Biology 2.4

编辑推荐:

   摘要目的开发和验证首个用于超声(US)图像中足底内在足肌(PIMs)像素级分割的自动化深度学习图像处理框架。该方法支持基于传统B超图像进行客观且可重复的超声肌肉分割。方法从200名健康参与者中收集了四块PIMs(拇展肌、趾短屈肌(FDB)、足底方肌[QP]和小趾展肌)的超声图

  

摘要

目的

开发和验证首个用于超声(US)图像中足底内在足肌(PIMs)像素级分割的自动化深度学习图像处理框架。该方法支持基于传统B超图像进行客观且可重复的超声肌肉分割。

方法

从200名健康参与者中收集了四块PIMs(拇展肌、趾短屈肌(FDB)、足底方肌[QP]和小趾展肌)的超声图像(n = 1099张图像)。手动分割作为标准真值。使用Mix Transformer主干训练和评估了三种深度神经网络架构(U-Net、特征金字塔网络[FPN]和DeepLabV3+)。采用交并比(IoU)和Dice相似系数(DSC)两种互补的像素级分割指标评估模型性能。使用组内相关系数(ICC)、平均差异和测量标准误评估与手动测量的一致性。

结果

所有模型均表现出优异的分割性能,各肌肉的平均IoU值≥0.90,平均DSC值≥0.95。FDB表现出最高准确率(IoU = 0.95;DSC = 0.97),而QP的表现略低(IoU = 0.90;DSC = 0.95)。与U-Net(最高±0.08)相比,FPN和DeepLabV3+表现出更高的稳定性(标准差:±0.02–0.03)。与手动分割在横截面积方面的一致性较高(ICC:0.836–0.960),在边界长度方面为中等至高一致性(ICC:0.705–0.944),系统偏倚极小。模型平均推理时间低于0.01秒/图像,仅反映前向推理时间,不包括图像加载、调整大小和后处理。

结论

本研究提出了首个针对超声中PIMs的自动化分割框架。基于成熟的分割架构并采用Mix Transformer主干,该方法可在每张图像0.01秒内实现准确可靠的像素级分割;其创新之处在于将自动化肌肉骨骼超声分析扩展到此前尚未涉及的一组肌肉。通过在像素级别自动检测组织边界,该框架推动超声成像超越传统手动测量,实现客观且可扩展的肌肉骨骼评估,并减少分割阶段对操作者的依赖。这些发现证实了在健康成人中对PIMs进行准确且可重复分割的可行性,并为后续在临床人群中的验证奠定了必要基础。

引言

准确评估肌肉大小对于理解功能表现和神经肌肉健康至关重要。肌肉形态学,包括体积、厚度和横截面积(CSA),反映了结构完整性和收缩潜力,并已被证明与力量和体力活动水平相关[[1], [2], [3]]。量化这些参数使临床医生和研究人员能够监测肌肉骨骼系统的适应、恢复和病理变化。
磁共振成像(MRI)和超声(US)是用于评估骨骼肌结构的两种主要成像方式。MRI被广泛认为是金标准,因为它能详细可视化软组织形态,允许量化肌肉萎缩、脂肪浸润和炎症[4,5]。然而,MRI成本高、耗时且不适用于常规或大规模使用[6]。相比之下,超声成像具有便携、低成本和实时可视化肌肉运动或收缩的优点[7,8]。其易获取性使其成为研究和临床环境中评估肌腱厚度和肌肉CSA的首选技术[9]。
尽管超声成像具有这些优势,但它高度依赖于操作者。图像采集质量和分割准确性严重依赖用户经验,导致评估者和测量间存在变异性[10,11]。手动分割超声图像也很耗时,限制了其在较大数据集或临床工作流中的可扩展性。为了解决这些局限性,深度神经网络(DNNs)已被越来越多地应用于自动化超声图像分割。与依赖手动测量的传统超声工作流程不同,基于DNN的方法分析原始像素级图像数据以自动识别和分割解剖组织[7,8,12]。自动化提供了多项优势,包括减少人为错误和评估者偏倚、加速数据处理以及提高可重复性[13]。在肌肉骨骼成像中,基于DNN的分割工具(如DeepACSA)已成功自动化大型肌肉(包括股四头肌、胫骨前肌和小腿三头肌)的解剖横截面积测量[12,[14], [15], [16]]。这些模型产生的结果与手动分析相当,证明了自动化分割可以将超声成像转变为更快、更客观和更可扩展的工具。针对大肢体肌肉的自动化超声CSA分割进展迅速。卷积网络已被用于实时追踪肌肉CSA[17],视觉Transformer模型已分割横断面肢体肌肉图像[18],专门的流程(如TRAMA和DeepACSA)已以与专家相当的精度自动化股四头肌、小腿三头肌及相关肌肉的CSA量化[19,20]。然而,这些模型是针对边界清晰的大型浅表肢体肌肉开发的。它们无法推广到足底内在足肌(PIMs),因为PIMs在尺度、回声特性和分层解剖方向上存在显著差异,这些临床重要的肌肉的自动化分割尚未得到解决。
PIMs由10块小肌肉组成,排列在足弓的四个足底层中。本研究针对其中四块——拇展肌(AbH)、趾短屈肌(FDB)、足底方肌(QP)和小趾展肌(ADM)——作为横断面B超图像中最大且最一致可识别的PIMs,且与内侧纵弓支持和足部相关肌肉骨骼问题最直接相关。它们在维持内侧纵弓、提供稳定性以及调节运动过程中负荷分布方面发挥关键作用[[21], [22], [23]]。其结构或功能的改变与足底筋膜炎密切相关,足底筋膜炎是运动人群和一般人群中足跟疼痛的最常见原因之一[[24], [25], [26]]。PIMs的无力或萎缩可增加足底筋膜应力,干扰足部力学并导致其他足部疼痛问题的发生或复发[25,27]。因此,评估PIMs的大小和形态对于理解足部相关病理、指导康复和评估靶向强化干预的效果至关重要。通过自动化PIMs量化,临床医生和研究人员可在数秒内获得一致的肌肉CSA和厚度测量,从而实现更客观的肌肉健康和治疗反应追踪。
尽管具有这些优势,目前尚不存在针对PIMs的自动化分割模型,这代表了肌肉骨骼成像中的一个关键空白。为较大肢体肌肉训练的模型由于PIMs在纹理、形状、尺度和分层方向上存在差异而无法推广到PIMs。因此,为这些肌肉开发基于DNN的分割框架构成了深度学习图像处理在超声中的创新应用,有可能从根本上改变足底肌肉评估在研究和临床中的应用方式。
因此,本研究旨在开发和验证DNN模型,用于超声图像中足底内在足肌的自动化分割,并评估其准确性、稳健性和临床适用性。具体目标如下:(i) 使用健康人群的PIMs超声图像训练DNN模型;(ii) 将自动化分割与手动标注的标准真值进行比较;(iii) 评估模型稳定性。通过减少对用户的依赖和分析时间,该方法旨在提高基于超声的肌肉评估的效率、可重复性和临床适用性。

章节摘要

参与者与超声数据采集

本研究使用的数据集包括从健康成人中收集的PIMs超声图像。共招募200名参与者(116名女性,84名男性;平均年龄26.1岁,范围18–31岁),在临床筛查后确认不存在影响下肢功能的全身性、神经系统或肌肉骨骼疾病。超声数据来自既往和正在进行的研究。所有程序均经杨百翰大学(BYU)伦理委员会批准并符合

结果

所有模型均表现出优异的分割性能,各肌肉的平均IoU值≥0.90,平均DSC值≥0.95。FDB表现出最高准确率(IoU = 0.95;DSC = 0.97),而QP的表现略低(IoU = 0.90;DSC = 0.95)。与U-Net(最高±0.08)相比,FPN和DeepLabV3+表现出更低的变异性(标准差:±0.02–0.03),表明具有更高的稳健性。四块肌肉各自的平均IoU和DSC评分及其标准差(±SD)

讨论

本研究的主要目标是开发和验证DNN模型,用于使用超声成像对足底内在足肌(PIMs)进行自动化分割。主要发现为:(i) 所有三种架构——U-Net、FPN和DeepLabV3+——在所有肌肉中均实现了优异的分割精度,平均IoU值≥0.90,DSC值≥0.95;(ii) 与U-Net相比,FPN和DeepLabV3+表现出更低的运行间变异性;以及(iii) 肌肉CSA和边界长度的自动测量显示出

结论

本研究证明了DNNs能够从超声图像中准确可靠地对PIMs进行像素级分割。基于成熟的分割架构,其创新之处在于将自动化肌肉骨骼超声分析扩展到此前没有任何框架涉及的肌肉组。采用Mix Transformer主干的FPN和DeepLabV3+架构实现了优异的分割性能(IoU ≥ 0.90;DSC ≥ 0.95),与手动CSA测量具有高度一致性,同时

生成式AI及AI辅助技术写作过程声明

生成式AI工具仅用于语言编辑和稿件完善。所有科学内容、分析、解释和最终稿件决策均由作者完成和验证。

数据可用性声明

原始超声图像因杨百翰大学IRB下的参与者隐私限制而不公开提供,但去标识化数据可在数据使用协议下与合格研究人员共享。分割模型使用开源segmentation_models.pytorch库实现;训练好的模型权重和分析代码可通过向通讯作者合理请求获得。

利益冲突

作者声明与本工作无利益冲突。作者未从利益相关方获得任何财务支持、付款或酬金,亦不存在可能影响研究设计、数据收集、分析或稿件撰写的个人或专业关系。所有作者均批准了最终稿件。
Halime Gulle|Furkan Mumcu|Austin G. Goodrich|Lokman Bekit|Pinar Kuyulu Haksal|A. Wayne Johnson|Irene Davis|Yasin Yilmaz
美国佛罗里达州坦帕市南佛罗里达大学莫尔萨尼医学院物理治疗与康复科学学院
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号