DMRNet：一种用于三叶草切面(Shamrock View)与腰丛(Lumbar Plexus)分割的动态多尺度残差网络(Dynamic Multi-scale Residual Network)

《Computer Assisted Surgery》：DMRNet: a dynamic multi-scale residual network for Shamrock view and lumbar plexus segmentation

　　

摘要：腰丛阻滞(Lumbar Plexus Block, LPB)是髋关节与膝关节手术中广泛使用的区域麻醉技术。尽管有超声引导辅助，腰丛复杂的解剖结构仍给麻醉医师的操作带来显著挑战。为准确识别位于腰大肌后1/3处的腰丛，研究人员提出了一种基于深度学习的分割模型——DMRNet（Dynamic Multi-scale Residual Network，动态多尺度残差网络），旨在精确勾画三叶草切面(Shamrock View)超声图像中的肌肉、神经及骨性结构。DMRNet集成了若干创新模块：增强模型多尺度特征捕获能力的自适应多尺度膨胀(Adaptive Multi-Scale Dilated, AMD)模块；自适应选择显著特征区域的密集注意力残差(Dense Attention Residual, DAR)模块；强化关键特征并抑制无关信息的注意力增强混合(Attention-Enhanced Hybrid, AEH)模块；以及两种改善复杂上下文模式识别能力的注意力机制——边界感知空间注意力机制(Boundary-Aware Spatial Attention Mechanism, BASA)与增强残差多头注意力机制(Enhanced Residual Multi-Head Attention Mechanism, ER-MHA)。实验结果表明，DMRNet在所有目标结构上取得了平均交并比(mean Intersection over Union, mIoU)0.863及平均Dice系数(mean Dice coefficient, mDice)0.926，优于其他现有先进模型。上述发现提示，DMRNet可作为三叶草切面超声图像中声像解剖识别的有用辅助工具，并为超声引导下腰丛阻滞培训提供教学支持。

论文解读：DMRNet动态多尺度残差网络用于三叶草切面及腰丛超声图像分割

一、研究背景与目的

超声成像因无创、实时、便携及成本较低等优势广泛应用于临床区域麻醉，可直视神经、针尖及局部麻醉药扩散，提高神经阻滞成功率并降低并发症。然而，超声图像解读高度依赖操作者经验，尤其对于体积小、边界不清的神经结构识别困难。传统图像分割算法（阈值法、边缘检测、聚类）对噪声及灰度变化敏感，难以处理异质背景与不规则形状。以U-Net为代表的卷积神经网络(Convolutional Neural Network, CNN)已成为医学图像分割主流，但在分割腰丛等细微解剖结构时仍有不足。腰丛(Lumbar Plexus, LP)由L₁–L₄脊神经前支组成，位于腰大肌(Psoas Major, PM)深面、肋突(Costal Process, CP)前方；定位腰丛通常需识别三叶草切面(Shamrock View)——即腰大肌(PM)、腰方肌(Quadratus Lumborum, QL)与竖脊肌(Erector Spinae, ES)在肋突水平呈三叶草样排列的声像图表现。由于腰丛位置深在、超声图像边界模糊且个体差异大，目前缺乏成熟网络架构对其进行自动分割与识别。为此，研究人员提出DMRNet（动态多尺度残差网络），用于三叶草切面超声图像中PM、QL、ES、CP及LP的自动分割，作为超声引导下腰丛阻滞的辅助识别与教育工具。该论文发表于《Computer Assisted Surgery》。

二、主要关键技术方法

研究人员自建含100例患者、共1120帧三叶草切面超声图像的超声腰丛数据集(Ultrasound Lumbar Plexus Dataset, ULPD)，由经验丰富的麻醉科医师使用LabelMe标注腰大肌(PM)、腰方肌(QL)、竖脊肌(ES)、肋突(CP)及腰丛(LP)。以U-Net为基线框架，编码器下采样替换为自适应多尺度膨胀(AMD)模块（含多级膨胀率预测器动态生成膨胀率），跳跃连接嵌入密集注意力残差(DAR)模块（多尺度卷积+边界感知空间注意力BASA），解码器上采样改为注意力增强混合(AEH)模块（集成增强残差多头注意力ER-MHA与空间注意力）。此外设计BASA机制（通道注意力+空间注意力+边界感知分支残差连接）与ER-MHA（多头注意力+前馈网络+残差连接+层归一化+可学习缩放因子）。训练采用Adam优化器、余弦退火学习率衰减，输入分辨率512×512，评估指标为mIoU、mDice、mPA、mPrecision、mRecall，并在公开超声臂丛数据集(Ultrasonic Brachial Plexus Dataset, UBPD)上行外部验证，通过消融实验逐一评估各模块贡献。

三、研究结果

5.1 DMRNet在ULPD数据集上的评估结果

DMRNet与U-Net、U-Net++、ResU-Net、Attention U-Net、SegNet、CENet、CSCU-Net、CANet等对比，取得最高分割性能：全体目标（含背景）mIoU达0.863，mDice达0.926；腰丛单独mIoU为0.742。可视化显示DMRNet能准确勾画腰丛及周围肌性结构，边界平滑且保留细节；对比方法中存留断裂边界、误分或漏检现象。十次重复训练箱线图表明DMRNet结果分布更集中，一致性更优。

5.2 消融实验

• •
  5.2.1 AMD模块：将U-Net下采样替换为AMD后，多数目标分割精度提升，整体mDice与mIoU改善，证实其增强多尺度特征提取能力，但对腰丛及QL提升有限（受限于边界极度模糊与小目标）。
• •
  5.2.2 DAR模块：用DAR替换原始跳跃连接后，QL分割精度提高（有助于模糊边界目标），腰丛提升不显著（小目标受周围结构噪声影响仍难分割）。
• •
  5.2.3 AEH模块：AEH（ER-MHA+空间注意力）替换原始上采样层后，腰丛分割性能显著提升，其余解剖结构亦较原始U-Net明显改善。
• •
  三模块联合（U-Net+AMD+DAR+AEH）取得最优结果，腰丛、竖脊肌、腰方肌IoU分别达0.742、0.873、0.852，且腰丛分割结果变异最小、稳定性最高。

5.3 外部验证

在公开超声臂丛数据集(UBPD)上测试，DMRNet平均IoU为0.852，优于对比模型，表明所提架构对不同解剖部位超声神经分割任务具良好泛化潜力（非直接临床迁移证据）。

四、讨论与结论翻译

讨论指出，DMRNet在低对比度、边界模糊及解剖结构复杂的腰丛超声图像分割中优于对比方法，可辅助三叶草切面声像解剖识别。该系统可作教学与辅助工具，但因腰丛位置深在且毗邻重要结构，当前腰丛IoU=0.742尚不足以支持自主引导，最终临床决策须由麻醉医师作出。局限性包括：腰丛绝对精度有限；基于回顾性静态图像而非实时术中数据；未评估叠加分割对临床结局（阻滞成功率、并发症、学习曲线）的影响；未系统区分腰丛根变异；金标准为专家手动标注而非解剖/功能验证，存在标注不确定性。

结论：研究人员提出用于三叶草切面含腰丛及周边解剖结构超声图像分割的动态多尺度残差网络DMRNet。通过整合自适应多尺度特征提取、残差学习及注意力机制，该网络增强了低对比度复杂背景下超声图像的特征表征与边界刻画能力。在ULPD与UBPD数据集上的实验表明，DMRNet相较多种代表性基线模型取得更优分割性能，提示该方法有望辅助超声引导下腰丛阻滞中的声像解剖结构识别。未来工作将致力于进一步提升分割精度与计算效率、压缩模型以利临床环境部署，并扩充多场景超声数据增强鲁棒性与泛化能力。