使用两阶段深度学习方法对腰椎横突超声视图进行自动分割与分类

《Frontiers in Radiology》:Automated segmentation and classification of lumbar transverse ultrasound views using a two-stage deep learning method

【字体: 大 中 小 】 时间:2026年02月12日 来源:Frontiers in Radiology 4.0

编辑推荐:

  背景:超声引导因其无辐射、便携且能够实时可视化,被广泛应用于腰椎区域麻醉和慢性疼痛管理。在腰椎超声视图中,横突旁正中横断面(PTV-TP)与经椎间孔旁正中横断面(PTFV)对于腰丛阻滞和经椎间孔注射等操作至关重要。然而,这些视图的可靠识别在技术上仍具挑战性,尤

  
背景:超声引导因其无辐射、便携且能够实时可视化,被广泛应用于腰椎区域麻醉和慢性疼痛管理。在腰椎超声视图中,横突旁正中横断面(PTV-TP)与经椎间孔旁正中横断面(PTFV)对于腰丛阻滞和经椎间孔注射等操作至关重要。然而,这些视图的可靠识别在技术上仍具挑战性,尤其是对于新手临床医师。目的:本研究旨在开发并评估一种基于深度学习的两阶段框架,用于在腰椎超声图像中自动检测和分类PTV-TP与PTFV。方法:超声图像收集自北京协和医院接受疼痛治疗的425名患者。所提出的框架包含两个阶段。首先,使用基于U-Net的语义分割模型来识别关键的腰椎解剖标志,即横突和椎间孔,将其归为单一类别以降低标注复杂性并提高鲁棒性。其次,从分割掩膜中提取基于坐标的空间特征,并使用支持向量机(SVM)进行分类以区分PTV-TP与PTFV视图。在相同实验方案下训练的端到端基于卷积神经网络(CNN)的分类器作为对比。使用交并比指标评估分割性能,并使用准确率评估分类性能。结果:所提出的基于U-Net的分割实现了83.21%的IoU,优于传统的多类U-Net分割(77.33%)。基于分割结果,基于坐标的SVM分类器在区分PTV-TP与PTFV视图时达到了97.66%的准确率,显著高于端到端CNN分类器(85.00%)。可视化结果展示了在包括具挑战性成像条件下的代表性超声图像中的稳定性能。结论:所提出的融合了语义分割与基于坐标分类的两阶段框架,实现了对腰椎超声视图的准确自动识别。通过对关键解剖标志及其空间关系进行显式建模,该方法减少了操作者经验的依赖,并可能支持更安全、更高效的超声引导下腰椎操作。未来的工作将集中在扩展数据集并在多样化的临床环境中验证该方法的泛化能力。
近年来,超声引导在腰椎区域麻醉与慢性疼痛管理中逐渐成为一种极具价值的工具,广泛应用于腰丛阻滞、神经根阻滞、内侧支阻滞、小关节注射及硬膜外类固醇注射等操作。相较于传统的基于体表标志的技术以及具有辐射风险的透视和计算机断层扫描(CT),超声具有无辐射、便携以及允许实时可视化针头轨迹等显著优势。在腰椎脊柱注射操作中,临床主要依赖两种关键的旁正中横断超声视图:横突水平旁正中横断面(PTV-TP)与经椎间孔旁正中横断面(PTFV)。PTV-TP视图在超声图像中呈现为类似“三叶草”的茎干结构,被腰方肌、腰大肌和竖脊肌包围,是腰丛阻滞和腰方肌阻滞的关键定位标志;PTFV视图则通过椎间孔清晰勾勒神经根、腰丛及椎管内结构,是经椎间孔注射治疗腰神经根痛的重要途径。然而,腰椎超声解剖结构复杂且目标位置较深,新手医师难以可靠地识别这些视图,依赖临床经验且易出错。此外,将该任务直接映射至视图标签的现有端到端人工智能(AI)分类模型缺乏可解释性与鲁棒性,极易受探头位置和图像质量波动的干扰。为解决这些临床痛点,研究人员开展了一项基于深度学习的两阶段框架研究,旨在实现PTV-TP与PTFV视图的自动分割与分类。该研究成功提高了识别准确性,可显著降低医师的学习曲线与操作并发症风险,对规范超声引导操作具有重要临床意义,论文已发表于《Frontiers in Radiology》。

研究人员采用的关键技术方法主要包含影像队列构建与两阶段深度学习架构。样本队列来源于北京协和医院麻醉科接受疼痛治疗的425名患者。研究方法上,第一阶段采用U-Net架构的语义分割模型,将椎间孔(F)和横突(T)合并为单一类别进行训练,以降低标注复杂度并增强模型对目标与背景的区分能力。第二阶段从分割掩膜中提取坐标级空间特征,将分割掩膜切分为16×16的非重叠子区域以生成256维特征向量,随后利用支持向量机(SVM)基于空间几何特征分类F和T。模型评估采用了交并比与准确率指标,并与直接训练的标准卷积神经网络(CNN)端到端分类器进行了严格对比。

结果部分,研究人员的验证得出了如下关键结论:
模型性能评估结果:通过对比基于坐标特征的两阶段框架与直接分类的CNN模型,发现合并F和T的U-Net分割性能显著优于传统的多类U-Net分割。同时,基于坐标特征与SVM分类器的组合有效提升了小样本数据下的分类准确率,证明了任务拆解策略在医学图像分析中的优势。
可视化分析结果:通过对代表性超声图像进行可视化分析,证实了U-Net语义分割模型即便在存在散斑噪声、声影及模糊组织边界等具有挑战性的成像条件下,仍能稳定且准确地识别和分割目标解剖结构,验证了该方法对图像质量变异的良好容忍度。

在讨论部分,研究人员指出,相较于传统端到端分类方法,两阶段框架通过将解剖定位与视图分类解耦,展现出更优的鲁棒性与可解释性。由于该方法聚焦于骨性结构的空间分布,降低了模型对软组织外观的依赖,这使得分类决策能够追溯至具有解剖学意义的空间模式,对于临床辅助与医学教育尤为关键。同时,在数据量有限的条件下,将F和T视为单一类别简化了分割任务,使U-Net能够学习更鲁棒的骨结构表征。SVM分类器则有效捕捉了F与T在形状及空间上的几何差异,在准确率、鲁棒性与计算效率间取得了良好平衡。尽管如此,研究仍存在局限性:数据集规模相对有限且均来自单中心单医师的高端超声设备采集,患者人群多样性不足;在真实临床环境中,设备与操作者的差异可能会限制模型当前的泛化能力;此外,尽管模型对常见超声伪影具有弹性,但极端劣质的图像质量仍可能影响其性能。未来的研究需纳入多中心、多操作者的数据集以进一步验证其临床普适性。

结论部分指出,研究人员提出了一种用于椎体骨性结构自动分割与分类的两阶段深度学习框架,以辅助识别临床中重要的PTV-TP与PTFV视图。该方法通过解耦解剖定位与视图分类,有效应对了复杂腰椎超声解剖与标注数据匮乏的挑战。在第一阶段,将椎间孔与横突统一视为单一类别实现了鲁棒的语义分割,取得了83.21%的IoU;在第二阶段,基于分割掩膜提取的坐标空间特征实现了对F和T的精确判别,分类准确率达到97.66%。结果表明,将基于深度学习的分割与具有空间可解释性的分类相结合,能够为腰椎超声视图识别提供可靠且透明的结果。该框架具有帮助新手临床医师降低学习曲线、提升视图识别一致性以及改善超声引导下腰椎操作安全性和效率的潜力,未来工作应聚焦于纳入更多样化的多中心数据集以验证和提升算法的泛化能力。
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