基于目标检测对臂丛神经超声图像的识别.pdfVIP

摘要

外周神经阻滞(peripheralnerveblock,PNB)在医学临床上有着广泛的作用，但

是准确定位神经对医生是一个挑战。随着人工智能的不断发展，计算机视觉在医疗

领域的应用被越来越重视。深度卷积神经网络帮助计算机自动从图像中学习特征

并通过复杂的函数映射完成自动识别和学习，已广泛应用于医学领域，无论是诊断、

预测还是治疗阶段都有它的影子。为了将深度学习技术应用到超声引导下的外周

神经阻滞麻醉手术中，本篇论文基于臂丛神经的超声图像对目标检测模型做出了

研究。

本文的主要工作是设计了一个多目标检测模型（IterativeDetectionNetwork，

IDNet）和搭建了一对多循环特征金字塔网络（One-to-ManyLoopFeaturePyramid

Network，OMLFPN）。本文以二阶段目标检测器MaskRCNN为雏形，结合臂丛

神经超声图像的特点，搭建了高精度的超声图像多目标检测网络IDNet。本文还通

过研究特征金字塔的特点，利用降低参数的技巧设计出轻量级特征金字塔网络

OMLFPN，并使用其实现了基于臂丛神经超声图像的多目标检测平台。

本文的创新点在于设计了两个新的模块和轻量级特征金字塔网络。本文首先

提出了两个新的模块。全连接特征金字塔网络（FullyConnectedFeaturePyramid

Network，FCFPN）实现了含有纹理信息的高分辨率特征图和含有语义信息的低分

辨率特征图的高效融合、减少关键特征信息丢失、强化分而治之策略等目标。此外

设计的均值迭代区域生成网络（MeanIterativeRegionProposalNetwork，MIRPN）

针对RPN只使用单点特征的缺点，通过迭代的方式预测建议框，提升网络模型在

对于边缘特征的响应。本文通过对特征金字塔的研究，结合之前网络的优点，设计

了轻量级特征金字塔网络。

本文的重点做法是对于检测模型结构的设计。通过结合臂丛神经超声图像和

目标检测器的特点，针对之前检测器的痛点，对部分模块和网络进行改进，并做了

大量实验。

本文提出了基于超声图像的多目标检测模型和轻量级特征金字塔网络，通过

模块消融实验和网络对比实验证明了本文提出的模块和网络不论是在精度还是效

率上都是更高的。随后将其应用到实际场景下，更有利于帮助医生来定位医学解剖

组织，从而完成外周神经阻滞手术。

关键词：臂丛神经，超声图像，深度学习，目标检测

ABSTRACT

Peripheralnerveblock(PNB)iswidelyusedinclinicalpractice,butitisachallenge

fordoctorstolocatethenerveaccurately.Withthecontinuousdevelopmentofartificial

intelligence,theapplicationofcomputervisioninmedicalfieldhasbeenpaidmoreand

moreattention.Deepconvolutionalneuralnetworkhelpscomputertoautomaticallylearn

featuresfromimagesandcompleteautomaticrecognitionandlearningthroughcomplex

functionmapping.Ithasbeenwidelyusedinnaturalimagesandmedicalfields,andhas

itsshadowindiagnosis,predictionandtreatmentstages.Inordertoapplydeeplearning

technologytoperipheralnerveblockanesthesia,thisthesisstudiedthetargetdetection

modelbasedonbrachialplexusultrasoundimages.

Inthisthesis,anIterati