基于超声图像的肌肉劳损智能检测方法研究.pdf

华中科技大学硕士学位论文

摘要

传统B超图像肌肉劳损的临床诊断方法高度依赖医生的诊断经验，而且受到医

生注意力变化的影响，诊断结果容易出现偏差，医疗成本高且诊断效率低下。随着

人工智能在医疗领域的发展，结合深度学习的B超图像检测技术在现代医学图像临

床诊断中发挥着十分重要的作用。这种新的诊断技术能够提高临床诊断的准确性，

降低误诊率，并提供患者有效的治疗手段。但目前在B超肌肉劳损的实际诊断中仍

然难以做到对精确性与实时性的兼顾。

为了解决这个问题，针对B超肌肉劳损临床诊断治疗的特点，提出一种基于

Transformer并结合知识蒸馏的B超图像肌肉劳损检测方法（DetectioninTransformer

withDistillation，DTD），实现对肌肉劳损病灶区的准确高效检测。该方法使用轻量

CNN网络MobileNetV2作为骨架网络，提取B超图像全局肌肉纹理特征，与

Transformer编码解码器结合，组成基础的目标检测模型，快速定位肌肉劳损区域。

此外，在模型Decoder部分加入条件交叉注意力机制，将内容编码与位置编码进行

解耦计算，专注于分类与回归两个任务，以提高模型收敛速度和精度。还采用知识

蒸馏方法，在分类、回归和中间特征图上设计相关蒸馏损失函数，利用高精度教师

模型引导训练学生模型，使学生模型在保留简单轻量的特点下提升其泛化能力。最

后，将该算法封装到软件应用中，设计一款端到端的B超肌肉劳损智能识别软件，

以辅助医生的临床诊断工作。

提出的方法在761张B超肌肉图像上采用10折交叉验证进行训练和评估，结果

表明，模型DTD的精确率和召回率分别达到0.624和0.423，mAP达到0.507。相比

经典检测模型YOLOv3，模型DTD的参数量减少近一半，计算量减小为1/5，实际

推理速度FPS提高到7.7。该方法在精确性和实时性的综合表现上优于YOLOv3，在

实际诊断工作中起到辅助检测的作用。

关键词：医学超声；肌肉劳损；图像检测；知识蒸馏

I

华中科技大学硕士学位论文

Abstract

ThetraditionalclinicaldiagnosisofmusclestraininB-modeultrasonographyheavily

reliesonthedoctorsdiagnosticexperience,andisalsopronetodeviationsduetochanges

inthedoctorsattention,leadingtohighmedicalcostsandlowdiagnosticefficiency.With

thedevelopmentofartificialintelligenceinthemedicalfield,B-modeultrasonography

detectiontechnologycombinedwithdeeplearningplaysaveryimportantroleinmodern

clinicaldiagnosisofmedicalimages.Thisnewdiagnostictechnologycanimprovethe

accuracyofclinicaldiagnosis,reducemisdiagnosisrates,andprovideeffectivetreatment

forpatients.However,itisstilldifficulttoachievebothaccuracyandreal-time

performanceintheactualdiagnosisofB-ultrasoundmusclestrain.