区域麻醉是一种广泛应用于外科手术和疼痛管理的局部麻醉技术,其效果取决于精确的神经定位[1]。超声引导区域麻醉提供了实时的、直观的成像辅助,帮助麻醉师定位目标神经并施用麻醉剂[2]。然而,超声引导区域麻醉依赖于麻醉师对解剖结构的深刻理解和丰富的经验[3]。对于经验不足的从业者来说,存在麻醉失败或神经损伤的风险。此外,超声图像经常受到噪声、低对比度和边界模糊的影响,增加了神经结构识别的难度[4]。在复杂的临床情况下,例如肥胖、水肿或肌肉萎缩的患者中,超声图像的质量更差,进一步加剧了神经识别的挑战[5]。因此,开发自动化神经分割方法以提高分割的准确性和效率对于提高超声引导区域麻醉的成功率和安全性至关重要。
为了帮助医生在临床环境中更准确地识别目标神经并进行神经阻滞,越来越多的研究开始探索基于深度学习的神经识别技术,特别是针对超声图像中的神经结构分割。卷积神经网络(CNN)是用于超声图像中神经识别的主要深度学习模型。然而,尽管CNN在神经识别方法上取得了显著进展,但传统的CNN模型主要关注提取局部特征,可能忽略了图像中的全局信息。这在处理具有复杂背景和高噪声水平的超声图像时尤为重要。
为了解决这个问题,提出了基于CNN和Transformer的混合模型[6]、[7],旨在结合CNN在局部特征提取方面的优势与Transformer在全局信息建模方面的能力。然而,尽管CNN-Transformer混合模型在医学图像分割方面取得了积极进展,现有方法在超声图像的神经图像分割方面仍面临一些挑战。首先,许多混合模型依赖于简单的特征融合或连接方法,这可能导致全局和局部信息整合不足,从而影响分割精度。其次,虽然Transformer在全局上下文建模方面具有优势,但它们具有较大的参数规模和高计算复杂性。超声图像处理通常面临计算资源有限的问题,特别是在便携式超声设备中。许多模型无法在资源受限的临床麻醉环境中有效使用,限制了它们的实际应用。此外,现有混合模型在边界识别方面可能存在缺陷,特别是当神经结构的边界模糊或与周围组织的纹理相似时,会导致错误的分割。
我们的研究提出了一个边缘特征增强混合CNN-Transformer网络(EFE-HCTNet)模型来解决上述问题。EFE-HCTNet结合了CNN和Transformer的优势,在分割精度和计算效率之间取得了良好的平衡,使其更适合资源有限环境下的临床麻醉。具体来说,EFE-HCTNet引入了三个关键模块:全局-局部特征表示模块(GLFRM)、边缘特征增强模块(EFEM)和多尺度混合注意力上采样模块(MHAUM)。GLFRM结合了CNN在局部特征提取方面的能力和Transformer在全球信息处理方面的优势,增强了模型对复杂神经组织形态的理解和识别能力。EFEM增强了边缘信息,提高了网络捕捉边缘细节的能力。MHAUM有效地整合了多尺度特征,提高了特征融合并增强了分割精度。我们在臂丛神经数据集(BPdataset,我们开发的数据集)、股神经数据集(FNdataset)[8]、臂丛神经干数据集(BPTdataset)[9]和Nerve-UTP数据集(Nerve-UTPdataset)[10]上进行了广泛的实验。结果表明,EFE-HCTNet在这些数据集上的性能优于竞争模型,表现出更高的分割精度和更大的鲁棒性。本文的主要贡献总结如下。
1. 我们提出了一种边缘特征增强的混合CNN-Transformer网络,可以从超声图像中自动分割神经。EFE-HCTNet结合了CNN和Transformer的优势,而没有增加过多的参数,实现了高分割精度和效率。
2. 通过将ViT结构与多尺度CNN结构相结合,我们构建了一个高效的全局-局部特征表示模块,可以同时捕捉局部细节和全局上下文信息,增强了模型理解和识别神经组织复杂形态的能力。
3. 在解码器中,我们引入了多尺度混合注意力上采样模块和边缘特征增强模块。MHAUM促进了特征融合的效率。EFEM通过强调特征图中的边缘信息和几何细节,增强了模型识别神经边界的能力。
4. 我们构建了一个包含600张臂丛神经超声图像的数据集(BPdataset)。该数据集来自两家医院和三种不同的超声设备,所有图像均由具有丰富临床麻醉经验的医生标注。这个数据集可以支持模型性能评估和未来的技术发展。
本文的结构如下。第2节介绍了相关研究工作,包括超声图像中的神经分割和医学图像分割中的边缘增强方法。第3节介绍了用于评估的神经数据集以及所提出的EFE-HCTNet的详细描述。第4节介绍了实验设置和结果。第5节讨论了EFE-HCTNet和比较模型的性能、优势和劣势。最后,第6节总结了本文。