ConVibNet：基于频率启发特征的连续插入中的针尖检测

目的：超声引导针灸在临床实践中广泛应用，但其成功严重依赖于针尖的准确 placement，后者常因针尖在超声图像中可见性差且间歇性可见而受限。现有方法受制于伪影、遮挡和低对比度，往往难以支持实时的连续插入。为此，本研究引入一种稳健的实时框架，用于连续针尖检测。方法：我们提出ConVibNet，这是VibNet的一个扩展，用于检测针尖可见性显著降低的情况，解决连续插入中的实时针尖跟踪问题。ConVibNet利用连续多个超声帧之间的时序依赖性，实现动态场景下针尖位置和针 shaft 角度的连续估计。为强化对针尖运动的时序感知，本文引入一种新颖的交叉-差损失，显式地利用连续帧之间的运动相关性。此外，我们构建了一个专门的数据集用于模型开发和评估。结果：对所提出ConVibNet模型在本数据集上的性能进行评估，结果表明其优于基线VibNet和UNet-LSTM模型。具体而言，ConVibNet实现了针尖误差为 $2.80\pm 2.42$ mm，角度误差为 $1.69\pm 2.00$ 度。这些结果比最佳基线模型在针尖定位精度上提高了0.75 mm，同时保持了实时推理能力。结论：ConVibNet通过整合时序相关性建模与新颖的交叉-差损失，推动了超声引导干预中实时针尖检测的精度和鲁棒性，从而展现出高度潜力，可集成到自主插入系统中。