《Frontiers in Imaging》:Deep learning based thermal foot segmentation with probability inversion post-processing for automated epidural block assessment
编辑推荐:
摘要:硬膜外镇痛是分娩镇痛的金标准,但临床失败率约为9%至12%,影响产妇健康并需额外干预。现有评估依赖主观感觉测试,需患者反馈,活跃期产程中可靠性不足。红外热成像通过外周温度变化客观监测交感神经阻滞,但因缺乏自动化分析工具、需临床医师手动勾画感兴趣区域,临床
摘要:硬膜外镇痛是分娩镇痛的金标准,但临床失败率约为9%至12%,影响产妇健康并需额外干预。现有评估依赖主观感觉测试,需患者反馈,活跃期产程中可靠性不足。红外热成像通过外周温度变化客观监测交感神经阻滞,但因缺乏自动化分析工具、需临床医师手动勾画感兴趣区域,临床应用受限。本研究提出一种自动化深度学习流程,基于30名孕妇的热成像数据训练U-Net卷积神经网络分割足部区域并量化体表温度以评估硬膜外镇痛效果。研究面临的主要技术挑战是严重的类别不平衡——足部区域占图像面积远小于背景。为解决此问题,研究在后处理阶段采用概率反转策略,优化模型以优先完整捕获热区而非精确几何边界。该系统全局准确率达82.08%,足部类别敏感性为71.83%,成功分割足部区域,克服了红外影像热梯度不明显的难点。自动化温度量化实现了分割区域内平均体表温度的客观测量。该自动化流程提供了一种无创、客观、实时的替代方案,有望改善产科镇痛监测及疼痛管理中的临床决策,满足高流量临床环境中对椎管内阻滞疗效标准化、操作者独立评估的关键需求。
论文解读:基于深度学习的热成像足部分割用于自动化硬膜外阻滞评估
研究背景与意义
硬膜外镇痛是目前产科分娩镇痛的金标准,广泛应用于现代产科护理。尽管疗效确切,临床失败率仍达9%至12%,导致产妇满意度下降、额外干预增加,并影响母婴安全。目前临床评估椎管内阻滞效果主要依赖冰敷或针刺等主观感觉测试,这些方法高度依赖患者反馈,而在活跃期产程或产妇痛苦状态下,反馈往往不可靠甚至无法获取,且反复测试可能引起不适,无法实现连续监测。红外热成像(Infrared Thermography, IRT)是一种有前景的无创替代技术,其原理基于成功的交感神经阻滞会引起下肢血管扩张,导致足端皮肤温度升高,这种温度变化通常在给药后10至20分钟内出现,可作为交感神经去神经支配的可靠早期指标。然而,IRT的临床转化长期受限于技术瓶颈:传统分析依赖临床医师手动勾画感兴趣区域(Region of Interest, ROI),过程耗时费力,且引入评估者间差异,破坏标准化,难以在高流量的产科单元中实现实时监测。因此,开发可靠、自动化的分割系统是推动IRT在临床广泛应用的关键。
针对这一需求,研究人员利用公开数据集“Mamitas Only Subjects”(包含30名孕妇的416张红外热成像扫描),开发并验证了一套基于深度学习的自动化热成像分析流程。该研究的核心创新在于提出了一种概率反转后处理策略,有效解决了热成像中足部区域与背景严重类别不平衡导致的分割困难。研究结果表明,该系统能够客观、准确地量化足部平均体表温度,为硬膜外镇痛效果的客观评估提供了新的技术手段,具有重要的临床应用潜力。相关研究成果发表于《Frontiers in Imaging》。
主要关键技术方法
研究人员采用了U-Net全卷积神经网络架构进行足部区域的语义分割。为解决热成像中足部仅占图像极小部分(背景占比95%–98%)导致的严重类别不平衡问题,研究未采用常规的加权损失函数,而是在后处理阶段创新性地引入了概率反转策略。具体而言,不直接对足部类别的概率进行阈值分割,而是计算背景类别概率的补数作为反转后的足部概率,并应用较低的阈值(τ=0.2)进行分类,以最大化足部区域的检出率(敏感性)。数据集严格按受试者水平划分为训练集(18人,342张图像)、验证集(6人,37张图像)和测试集(6人,37张图像),确保无数据泄露。输入图像统一标准化为512×512像素,模型训练采用Adam优化器,初始学习率为1×10?3,共训练10个周期,批量大小为1以适应硬件限制。分割完成后,系统依据热像仪的校准范围(22.2°C至33.0°C)自动提取并计算分割区域内的平均体表温度。
研究结果
3.1 模型收敛与训练动态
U-Net模型在10个训练周期内表现出健康的收敛特性。训练准确率稳步提升至约86%,验证准确率紧密跟踪训练表现,两者差距极小,表明模型具有良好的泛化能力而未发生过拟合。损失曲线呈单调下降趋势并趋于稳定,验证了训练过程的稳健性。
3.2 定量分割性能
在独立的37张测试图像上,模型取得了82.1%的全局准确率,平均交并比(mIoU)为62.7%。针对关键的足部类别,模型达到了71.8%的敏感性(召回率),证实了概率反转策略在捕获完整热区方面的有效性。虽然足部类别的精确度为57.2%,边界F1分数较低(0.34),但这正是研究设计的预期结果——以牺牲部分边界精度为代价,换取对足部热信号的完整捕获,避免因欠分割导致温度低估。
3.3 混淆矩阵分析
混淆矩阵结果显示,模型正确分类了约152万个体素为足部(真阳性)。尽管存在一定数量的假阳性(背景被误判为足部),但这种过分割主要发生在足端与空气的过渡区域,符合临床优先保证数据完整性的需求。
3.4 定性与温度提取
可视化结果显示,系统能在热梯度不明显、边界模糊的红外图像中准确勾画出双足轮廓。自动化算法计算出代表案例的平均体表温度为28.40°C。与手动勾画相比,自动化分割覆盖的像素区域显著更大(79201像素对18488像素),证明了手动ROI勾画存在显著的抽样偏差和主观变异性。自动化与手动测量的平均绝对误差(MAE)为0.92°C,在热像仪硬件误差允许范围内。
讨论与结论
研究人员指出,在医疗AI研究中,透明的训练动态分析至关重要,本研究展示的平行收敛曲线证明了模型的预测能力源于真实的模式识别,而非数据泄露或过拟合。定量分析证实,71.8%的足部敏感性满足了临床需求,因为漏检(假阴性)比误检(假阳性)风险更高,后者仅轻微影响边界,对平均温度计算干扰较小。像素级误差分析显示,错误主要分布于温度过渡区,在平均温度计算中可相互抵消。视觉验证进一步确认了系统在不同病例中的稳定性。
结论部分强调,本研究成功构建了一种基于U-Net和概率反转后处理的自动化热成像分析流程。该系统有效解决了类别不平衡难题,实现了对足部热区的完整捕获与温度量化。虽然研究证明了概念的可行性,但在临床部署前仍需前瞻性研究确立诊断阈值。未来的工作应扩大数据集规模,开展时序分析以捕捉交感神经阻滞的动态变化,并进行临床试验以验证自动化温度指标与患者镇痛结局的相关性。该研究填补了硬膜外阻滞评估的技术空白,为提高产科临床决策质量和产妇护理水平提供了有力工具。