从共识到标准化：评估深度学习在超声成像中用于神经阻滞分割的应用

《A&A Practice》：From Consensus to Standardization: Evaluating Deep Learning for Nerve Block Segmentation in Ultrasound Imaging

　　本研究通过收集公共来源的3594张超声图像，构建了包含10个神经阻滞区域的深度学习模型评估体系，采用5折交叉验证与EVGA RTX 3090 GPU训练，发现R2U-Net模型在TAP、Popliteal神经区域Dice得分达0.7619，专家验证显示其预测与临床操作高度一致，证实深度学习在超声神经阻滞中的可行性与有效性。

　　

摘要

背景：

深度学习可以通过学习专家标注的示例来自动识别神经，从而在超声图像中检测和突出显示神经。本研究旨在评估深度学习模型在辅助超声引导下的神经阻滞中的识别性能。

方法：

从公开来源（一个开放的GitHub仓库和公开可用的YouTube视频）收集了总共3594张原始超声图像，涵盖了9个神经阻滞区域：腹横肌平面（TAP）、股神经、后直肌鞘、正中神经和尺神经、胸肌平面、坐骨神经、锁骨下臂丛神经、锁骨上臂丛神经和肩胛间臂丛神经。其中，每个神经区域保留了10张图像用于测试，每张图像都由10位麻醉专家进行了标注。剩余的3504张图像由一名医学麻醉住院医师进行了标注，并进一步扩充形成了每个神经区域包含25,000张图像的多样化训练数据集。此外，还包含了908张不含目标神经结构的阴性超声图像，以提高模型的鲁棒性。选择了10种基于卷积神经网络的深度学习架构来识别神经结构。模型使用扩展视频图形阵列（EVGA）GeForce RTX 3090 GPU进行了5折交叉验证训练，通过调整批量大小、训练周期数和Adam优化器来提升模型的有效性。训练完成后，使用Dice分数（范围：0到1，1表示完全一致，0表示无重叠）对每个神经区域的10张图像进行了模型评估，以比较模型预测与专家标注的结果。随后，10位医学专家对模型预测进行了进一步验证，评估他们是否会在模型预测的位置插入针头。进行了统计分析，以探讨Dice分数与专家评估结果之间的关系。

结果：

R2U-Net模型在所有神经区域中获得了最高的平均Dice分数（0.7619），优于其他模型（0.7123–0.7619）。然而，仅在TAP神经区域观察到模型性能的统计学显著差异（χ2 = 26.4，df = 9，P = .002，ε2 = 0.267）。专家评估表明，模型预测的准确性很高，特别是在腘神经区域，专家们根据模型生成的100个预测结果一致同意在相应位置插入针头。逻辑建模显示，在锁骨上区域，更高的Dice重叠程度可能会增加专家接受模型预测的概率（比值比[OR] = 8.59×10?，95%置信区间[CI]，0.33–2.25×101?；P = .073）。

结论：

研究结果表明，像R2U-Net这样的深度学习模型在辅助超声引导下的神经阻滞手术中能够提供一致的分割结果。