《Bioengineering》：MOSBNet: Multi-Object Segmentation in Brachial Plexus Ultrasound
编辑推荐：
臂丛神经超声中的多结构分割需要在组织边界模糊的情况下描绘小神经以及较大的肌肉和血管。研究人员提出MOSBNet，它结合了类别条件特征处理、多尺度融合和辅助点监督。目标均衡注意力模块（TEAM）利用粗分类掩码进行分支特定精炼和区域归一化。上采样多尺度融合（UMF
臂丛神经超声中的多结构分割需要在组织边界模糊的情况下描绘小神经以及较大的肌肉和血管。研究人员提出MOSBNet，它结合了类别条件特征处理、多尺度融合和辅助点监督。目标均衡注意力模块（TEAM）利用粗分类掩码进行分支特定精炼和区域归一化。上采样多尺度融合（UMF）聚合解码器特征，类别监督点重分类（CPR）在不确定位置提供仅训练阶段的监督。在UBPD 2023数据集的一个200张图像的探索性评估子集上，MOSBNet在三次训练运行中实现了平均Dice相似系数（mDSC）为73.18±0.69%，神经DSC为52.87±0.54%，而基线神经DSC为50.35±2.48%。患者层面分析显示平均神经DSC增益为2.10个百分点（95%置信区间0.87–3.45）。在所有三次运行中，将TEAM添加到UMF+CPR均提升了神经DSC，配对增益为2.34±0.92个百分点，表明TEAM在所评估配置中做出了贡献。
研究背景与问题
超声引导下的肌间沟臂丛神经阻滞（ISBPB）需要识别神经及其与周围肌肉和血管的空间关系。深度学习为自动解剖分割提供了基础，但散斑噪声、声影和低组织对比度使得神经边界的描绘极为困难。多结构分割必须将局部神经细节与较大邻近结构提供的解剖上下文相结合。此外，不同目标的空间范围差异显著：在训练掩码中，神经像素仅占图像面积的0.886%，而肌肉占12.733%。共享的编码器表示必须适应这种尺度差异。类别条件特征处理为每个解剖类别精炼表示提供了途径，而多尺度解码器融合则结合了空间细节和语义上下文。同时，模糊的组织界面引入了第二个挑战，即使周围解剖结构已被识别，这些位置的预测仍可能不确定。因此，研究人员提出MOSBNet，旨在联合分割神经、肌肉、动脉和静脉，特别强调小神经的描绘。
研究方法与结论
研究人员提出了MOSBNet，这是一个集成目标均衡注意力模块（TEAM）、上采样多尺度融合（UMF）和类别监督点重分类（CPR）的编码器-解码器架构。TEAM利用粗语义掩码构建类别条件特征分支并归一化区域通道统计量。UMF跨尺度组合解码器特征到一个共享表示。CPR从该共享表示中，在粗预测不确定的位置采样特征并应用辅助分类损失。密集分割头产生推理输出。实验使用包含1810张训练图像和210张参考评估图像的UBPD 2023数据集，所有图像由麻醉师使用SIEMENS ACUSON NX3 Elite和Philips EPIQ5系统在4cm深度下采集并手动标注。主要实验在排除重复和高度相似图像后的200张评估图像上进行。结果表明，MOSBNet在200张评估图像上达到平均DSC（mDSC）73.18±0.69%和神经DSC 52.87±0.54%，相比基线神经DSC（50.35%）提升2.52个百分点。患者层面分析显示平均神经DSC增益为2.10个百分点。将TEAM添加到UMF+CPR在所有三次运行中均提升了神经DSC，配对增益为2.34±0.92个百分点。
关键技术方法
- 1.
目标均衡注意力模块（TEAM）：从最深编码器特征出发，通过一个1×1卷积生成五个类别（背景、神经、肌肉、动脉、静脉）的软掩码。每个类别分支包含一个特征精炼块，该块利用全局平均和最大池化描述符经分支特定的MLP生成通道权重。随后应用区域归一化（RN），在每个图像和通道内，以掩码质量为分母计算统计量。最终输出包括掩码加权和残差连接。该模块旨在通过类别条件的精炼和基于掩码质量的区域通道统计来解决目标范围差异。
- 2.
上采样多尺度融合（UMF）：将四个解码器特征分别投影到96通道，经双线性插值调整到共同空间分辨率后求和。对融合特征应用全局平均、最大和软池化三种池化方式获取通道描述符，通过一个共享MLP生成通道权重。将原始融合特征与通道加权后的特征拼接，再经两个3×3卷积得到最终的96通道特征。此模块用于聚合不同尺度的解码器特征。
- 3.
类别监督点重分类（CPR）：这是一个仅用于训练的模块。首先，从中间解码器特征生成粗logits，并通过两个最大类概率之间的差值定义不确定性边际。每张图像均匀采样6144个候选像素，选择其中边际最小的2048个点。在这些选定点上，从UMF输出的共享特征中双线性采样96维特征，并与五个粗预测概率拼接。然后通过一个共享的三层MLP进行点级分类。该模块通过辅助分类损失更新共享特征表示，将额外的训练监督集中在不确定的位置。
研究结果
- •
与其他方法的比较：在200张评估图像上，MOSBNet的mDSC为73.67±0.37%，神经DSC为52.87±0.54%。相比基线（50.35%神经DSC），神经增益为2.52个百分点。与SegFormer mit-b2相比，MOSBNet具有更高的平均神经精确率（63.30% vs. 60.14%），更低的召回率（45.39% vs. 51.56%）和更低的DSC（52.87% vs. 55.50%），表明其处于更高精确率、更低召回率的操作点。MOSBNet的mDSC高于nnU-Net v2和EMGANet，但低于SegFormer和PointRend-style。
- •
消融研究：在所有八种模块组合中，完整模型（Full）的平均神经DSC最高（52.87%），而TEAM+UMF的mDSC最高（73.75%）。将CPR添加到基线会降低神经DSC（从50.35%降至47.36%）。在TEAM+UMF基础上添加CPR，神经DSC从52.05%升至52.87%，召回率从43.36%升至45.39%，而精确率从65.51%降至63.30%，mDSC从73.75%降至73.18%。这表明CPR使TEAM+UMF配置向更高神经召回率、更低精确率和多类重叠的方向偏移。
- •
TEAM贡献：在四种模块上下文中评估添加TEAM的效果。在固定UMF+CPR时，添加TEAM在所有三次运行中均提升神经DSC，配对增益为2.34±0.92个百分点。所有四种上下文的平均变化均为正值。
- •
患者层面神经效应：在200张图像上，完整模型相对于基线改善了18位患者中14位的种子平均神经DSC。患者等权重的效果为2.10个百分点（95% CI 0.87–3.45）。在固定UMF+CPR时，添加TEAM改善了18位患者中的16位，效果为2.31个百分点。
- •
边界度量：将CPR添加到TEAM+UMF导致神经HD95从79.99增至82.92像素，ASSD从48.97增至51.51像素，血管距离也增加。这些边界距离的增加伴随着平均神经DSC的提升。
- •
训练变异性与扰动敏感性：五运行分析显示了各配置的变异性。在最强扰动水平下，完整模型在加性高斯噪声、对比度降低和模糊下的平均mDSC下降幅度大于基线。在这些水平下，SegFormer在所有四种扰动下的平均下降幅度均小于完整模型。
结论讨论
研究人员总结道，MOSBNet整合了类别条件精炼、多尺度融合和仅训练的点监督，用于分割臂丛神经超声中的神经及周围解剖结构。在200张图像评估中，神经DSC相对基线提升2.52个百分点，患者等权重增益为2.10个百分点。将TEAM添加到UMF+CPR在三次运行中均带来改进，配对增益为2.34±0.92个百分点，表明TEAM在所评估配置中做出了贡献。研究人员指出，此次评估是探索性的，因为评估子集是在模型开发过程中被检视的。主要分析包含来自18位患者的200张图像，患者层面的置信区间依赖于三次拟合的运行。为了评估泛化能力，需要在未接触过的独立患者队列上进行确认。
