基于真实数据约束的深度学习驱动神经束分割评估：臂丛肌动脉超声
计算机视觉与模式识别
2026-02-03 v1 人工智能
摘要
准确的神经定位对于超声引导局部麻醉的成功至关重要，然而由于低图像对比度、散粒噪声以及患者间解剖变异性，手动识别仍然具有挑战性。本研究评估了基于U-Net架构的深度学习神经分割方法，以臂丛肌动脉超声图像为例，重点考察数据集组成和标注策略对分割性能的影响。我们发现，训练于来自多台超声设备（SIEMENS ACUSON NX3 Elite 和 Philips EPIQ5）的组合数据，能够为性能较差的采集来源提供正则化效应，尽管并未超过匹配目标域的单来源训练。将任务从二值神经分割扩展到多类监督（动脉、静脉、神经、肌肉）后，神经特定的Dice系数会下降，性能下降幅度在数据集之间范围从9%到61%，可能是由于类别不平衡和边界模糊导致。此外，我们观察到神经尺寸与分割精度之间呈中等正相关（Pearson r=0.587, p<0.001），表明更小的神经仍然是主要挑战。这些发现为在真实临床数据约束下开发稳健的超声神经分割系统提供了方法论指导。
引用
@article{arxiv.2602.00763,
title = {Evaluating Deep Learning-Based Nerve Segmentation in Brachial Plexus Ultrasound Under Realistic Data Constraints},
author = {Dylan Yves and Khush Agarwal and Jonathan Hoyin Chan and Patcharapit Promoppatum and Aroonkamon Pattanasiricharoen},
journal= {arXiv preprint arXiv:2602.00763},
year = {2026}
}
备注
9 pages, 6 figures