基于深度学习的舌骨上肌超声扫描线自动定位及其在吞咽困难定量评估中的应用

《Medical & Biological Engineering & Computing》:Deep learning-based automated scanline localization in suprahyoid muscle ultrasound for quantitative dysphagia assessment

【字体: 大 中 小 】 时间:2026年10月08日 来源:Medical & Biological Engineering & Computing 3.1

编辑推荐:

  基于超声的舌骨上肌(suprahyoid muscle, SHM)运动评估已成为评价吞咽困难的一种有前景的方法。然而,定量分析仍受限于操作者依赖的扫描线放置和人工判读的变异性。研究人员提出了一种集成数学建模、SHM自动分割、扫描线确定和基于深度学习的分析于一体

  
基于超声的舌骨上肌(suprahyoid muscle, SHM)运动评估已成为评价吞咽困难的一种有前景的方法。然而,定量分析仍受限于操作者依赖的扫描线放置和人工判读的变异性。研究人员提出了一种集成数学建模、SHM自动分割、扫描线确定和基于深度学习的分析于一体的框架,用于客观评估吞咽困难。共分析了来自正常、轻度和重度吞咽困难患者的371幅超声图像。临床相关的SHM衍生变量,包括厚度、位移、SHM差值(Δ = D ? T)和总持续时间,被纳入数学解释框架。采用U-Net进行SHM分割和自动扫描线确定,并使用基于中位数的准确率、组内相关系数(intraclass correlation coefficient, ICC)、平均成对绝对差(mean pairwise absolute difference, MPAD)和总体标准差(population standard deviation, SDpop)评估与专家选择扫描线的一致性。此外,研究人员比较了五种深度学习架构(ResNet-101、Fast R-CNN、YOLO11、VGG-19和U-Net)用于吞咽困难严重程度分类。该框架显示出与专家评估的高度一致性。U-Net在三个主要SHM组件上的平均交并比(intersection-over-union, IoU)为0.9599,表明其分割性能接近专家水平。自动扫描线确定与专家共识的总体一致性为72.3%,而人工扫描线放置的观察者间信度相对较低(ICC = 0.386)。在评估的分类模型中,Fast R-CNN取得了最高性能,F1-score为0.993,推理时间为3.44 ms。Grad-CAM分析进一步证实,模型注意力集中在临床相关的SHM区域。该框架通过将数学建模与AI驱动的分割和分类相结合,为基于超声的吞咽困难评估提供了一种客观且可重复的方法。SHM自动定位和扫描线确定降低了对操作者的依赖,同时保持了专家级准确性。这些发现支持AI辅助超声作为标准化吞咽困难评估和实时决策支持的临床适用工具的潜力。
**研究背景**

口咽部吞咽困难(oropharyngeal dysphagia)常见于神经系统疾病患者,并与吸入性肺炎、营养不良、脱水、住院时间延长和死亡率增加等临床显著并发症相关,因此早期、客观地评估吞咽功能对指导康复策略和减少相关并发症十分重要。超声(ultrasound, US)因便携、无创、无辐射且能实时显示吞咽相关肌肉和软组织,正成为评估吞咽困难的工具。既往超声研究已量化舌骨上肌(suprahyoid muscle, SHM)厚度、舌骨运动、SHM位移和吞咽时间参数;M模式超声可捕获吞咽过程中的动态SHM运动,并提供SHM厚度、位移、差值、比率、峰间时间和总持续时间等变量。然而,超声评估仍受限于操作者依赖性测量程序,手动放置感兴趣区或M模式扫描线会引入观察者间变异,降低定量SHM测量的可重复性。既往研究虽已证明超声或AI辅助吞咽功能评估可行,但仍存在三方面问题:临床可解释的SHM超声变量与AI图像分析间的关系尚未完全阐明;手动扫描线放置仍依赖操作者;基于分割的SHM定位、专家选择扫描线和图像严重度分类之间的关系需要进一步验证。因此,研究人员提出了一种集成数学建模、SHM自动分割、扫描线自动确定和深度学习分类的框架,以实现客观、可重复的吞咽困难严重程度评估。

**研究概述与结论**

研究人员在韩国春川的Hallym University Sacred Heart Chuncheon Hospital神经内科招募了371名受试者,分为正常、轻度和重度吞咽困难三组;多数受试者为脑血管病,其余包括痴呆、帕金森病、重症肌无力、Guillain-Barré综合征、运动神经元病和肌病等神经源性口咽部吞咽困难患者。研究将临床相关SHM衍生变量纳入数学解释框架,采用U-Net进行SHM分割和自动扫描线确定,并比较五种深度学习架构用于严重程度分类。结果表明,U-Net平均IoU为0.9599,接近专家分割水平;自动扫描线与专家共识总体一致性为72.3%,而手动扫描线的观察者间信度较低(ICC = 0.386);Fast R-CNN在分类性能和推理速度间取得最佳平衡,F1-score约为0.993,单幅图像推理时间3.44 ms;Grad-CAM分析证实模型关注临床相关SHM区域。该框架提供了客观、可重复的超声吞咽困难评估路径,减少了操作者依赖,并支持AI辅助超声作为标准化评估和实时决策工具的潜力。

**关键方法**

研究人员采用前瞻性观察设计,纳入371例受试者;基于B模式和M模式超声与对称双曲模型建立SHM运动解释框架,定义SHM差值(Δ = D ? T)和SHM比率(R = D/T)。使用U-Net分割二腹肌、颏舌骨肌和下颌舌骨肌,依据分割中心自动确定扫描线;以专家中位数为参考计算准确率,并用ICC、MPAD和SDpop评估一致性。比较ResNet-101、Fast R-CNN、YOLO11、VGG-19和U-Net五种网络,以准确率、精确率、召回率、特异度、F1-score和推理时间为指标,并用Grad-CAM进行可解释性验证。

**研究结果**

**4.1 自动扫描线确定**

U-Net首先分割超声图像中的SHM区域,然后以分割结果中心为参考确定扫描线,使其覆盖左侧三块SHM并依据SHM差值进行调整。AI生成的扫描线与三位专家手动选择的扫描线进行比较。基于中位数准确率,正常组平均准确率为77.18%,轻度组为56.49%,重度组为83.13%,15例总体平均准确率为72.27%。正常和重度组的自动扫描线与专家中位线较为接近,轻度组因影像判读边界模糊和观察者间变异而准确率较低。此外,三位专家选择的扫描线位置存在明显差异,例如专家3倾向于选择更靠右的位置,提示手动扫描线放置缺乏一致性。

**4.2 观察者间信度评估**

采用ICC(3,k)模型评估三位专家对15幅超声图像扫描线选择的一致性。计算得到ICC(3,k) = 0.386,p = 0.13,95%置信区间为?0.46至0.78,表明观察者间一致性较低且未达到统计学显著性。该结果提示人工扫描线放置存在判读标准模糊或解释差异,可能影响后续定量分析和AI评估的稳健性。

**4.3 AI与专家定义分割的定量一致性**

对二腹肌、颏舌骨肌和下颌舌骨肌分别计算AI分割与专家标注的IoU。二腹肌的平均IoU为0.9723,所有15例均超过0.94,最高达0.9859;颏舌骨肌的平均IoU为0.9466,多数在0.94~0.95之间,最低约0.9200,最高约0.9784。下颌舌骨肌的分割结果也与专家标注高度重叠,但原文未单独给出该肌的平均值。总体而言,AI分割与专家标注在三个SHM组件上均具有很高的一致性。

**4.4 总体分割性能**

U-Net在三个主要SHM组件上的总体平均IoU为0.9599,表明AI与专家分割高度一致。二腹肌与颏舌骨肌之间的性能差异可能源于肌肉形态和超声图像中边界识别难度的不同。该分割结果接近专家水平,可减少临床手动勾画肌肉轮廓的工作量,并为自动扫描线放置和SHM衍生变量测量提供解剖基础。

**5.1 分类性能比较结果**

在统一预处理和70:15:15数据划分条件下,对ResNet-101、Fast R-CNN、YOLO11、VGG-19和U-Net进行了吞咽困难严重程度分类比较。Fast R-CNN在所有指标上表现最佳,准确率为0.9931,精确率为0.9910,召回率为0.9961,特异度为0.9968,F1-score为0.9935。ResNet-101准确率为0.9404,但精确率和F1-score较低;VGG-19和U-Net准确率分别为0.9694和0.9634,但精确率和召回率明显偏低;YOLO11准确率最低(0.9146),但其F1-score为0.9056,优于ResNet-101、VGG-19和U-Net。因此,Fast R-CNN最适合该超声数据的吞咽困难严重程度分类。

**5.2 推理时间分析结果**

单幅图像平均推理时间方面,ResNet-101最快(3.01 ms),Fast R-CNN为3.44 ms,YOLO11为3.61 ms,U-Net为7.48 ms,VGG-19最慢(176.85 ms)。ResNet-101、Fast R-CNN和YOLO11均达到近似实时性能;VGG-19因参数量大且并行效率低,不适合临床实时部署。综合分类性能和推理效率,Fast R-CNN是用于实时超声吞咽困难筛查的最佳候选模型。

**讨论**

讨论部分指出,这是该框架在单中心队列中的初步验证。AI分割可降低人工肌肉轮廓勾画的负担,并为自动扫描线和SHM衍生变量测量提供解剖基础。U-Net分割的解剖学意义与Sung等人先前建立的SHM厚度和位移是吞咽困难严重程度关键决定因素的观点一致。Grad-CAM可视化显示,ResNet-101倾向于聚焦局部区域,Fast R-CNN在肌肉边界和内部组织均有较平衡的激活,YOLO11局部激活但位置不稳定,VGG-19激活弥散,U-Net激活覆盖整个肌肉并延伸至边界外周;这些激活模式说明模型主要依赖临床相关SHM区域而非无关图像特征。结合高分类性能与毫秒级推理时间,Fast R-CNN适合整合到床旁实时超声吞咽困难筛查流程中。

**结论(翻译)**

研究人员提出了一种基于超声的吞咽困难评估框架,将数学建模、自动肌肉分割和基于深度学习的图像分析相结合。该框架通过整合舌骨上肌(SHM)复合体的结构和功能信息,提供了客观且可重复的吞咽困难严重程度评估方法。研究人员建立了数学模型描述SHM厚度、位移与吞咽损害之间的关系;其中SHM差值(Δ = D ? T)和总运动持续时间被确定为与吞咽困难严重程度相关的关键指标,为自动化超声严重度评估提供了理论依据。实验结果证明,该AI框架与专家评估达到高度一致:U-Net分割的平均IoU约为96%,显示接近专家的SHM边界描绘性能;自动扫描线确定降低了观察者依赖变异,而人工扫描线放置的观察者间一致性相对较低。在评估的深度学习模型中,Fast R-CNN取得了最佳分类性能(F1-score = 0.993),同时保持适合实时临床应用的推理时间。研究结果提示,AI辅助超声分析有望提高吞咽困难评估的客观性、可重复性和效率。Grad-CAM分析证实分类模型主要依赖解剖相关的SHM区域,支持该框架的临床有效性。最终,该框架向基于超声的吞咽困难评估的标准化和自动化迈出了一步,并可能有助于吞咽障碍的早期诊断和更有效的纵向监测。
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