Automated Brachial Plexus Localization in Ultrasound Using Lightweight Convolutional Neural Networks
本研究表明，轻量级卷积神经网络，特别是 MobileNetV2 和 EfficientNetB0，为超声图像中的臂丛神经定位提供了一种计算高效且可靠的解决方案，使其尽管在性能上与较重的 ResNet34 架构相当，但仍非常适用于资源受限的即时诊疗环境。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在手术室和急诊诊所中，医生经常依靠超声波来寻找控制手臂和手的复杂神经网络，即臂丛神经。精确定位这些神经对于实施麻醉至关重要，既能让患者在手术中失去痛觉，又不会造成不必要的损伤，然而仅凭肉眼观察是非常困难的。这需要一名熟练的操作者盯着颗粒感十足的黑白图像并解读变化的阴影，这一过程既耗时又因人而异。为了提供帮助，科学家们转向了人工智能，特别是被称为“深度学习模型”的一种计算机程序，这种程序可以经过训练来识别医学图像中的模式。然而，这些程序中最强大的版本通常过于臃于且耗能过高，无法在偏远诊所所使用的或医生随身携带的小型便携式超声机上运行。它们通常需要庞大的云端计算机来处理数据，这会引入延迟和隐私担忧。因此，挑战在于创建一个既足够智能、具有实用性，又足够轻量化，能够运行在手持设备内部的系统。
一个研究小组通过测试三种不同的轻量级计算机架构来试图解决这个问题，这些架构旨在高效地运行在移动技术上。他们采用了一组臂丛神经的超声图像，这些图像最初附带有显示哪些像素属于神经的详细地图，并对任务进行了转化。他们不再要求计算机在每一张图像上画出完美的神经轮廓，而是向它提出了一个更简单的问题：神经出现在图像的四个角落中的哪一个，还是完全不存在？这把一个复杂的绘图任务变成了一个五分类的选择题，使得这项工作对于小型计算机来说变得容易得多。研究人员利用这些数据训练了三种不同的模型——ResNet34、MobileNetV2 和 EfficientNetB0，并使用了一种严谨的方法，即计算机从部分图像中学习，并在它从未见过的其他图像上进行测试，重复这一过程三次以确保结果的可靠性。
结果显示，所有三种模型的表现都具有相似的成功水平，在约 73% 的案例中正确识别了神经的位置。虽然其中一个模型 ResNet34 比其他模型取得了一点点更高的准确度，但这种差异如此之小，完全可能是由于偶然因素而非真正的优势。研究发现，当神经出现在最常见的部位时，这些模型表现得非常好，但当神经处于罕见或较少见的部位时，它们会遇到显著困难，经常将其与空白区域或错误的角落混淆。这种困难表明，计算机很好地学习了常见模式，但由于看到的罕见模式示例不够多，导致其无法产生信心。尽管存在这些小问题，统计分析确认，没有任何一个模型在实际应用中有显著优于其他模型的表现。
这项工作的真正价值不在于寻找单一最准确的模型，而在于确定哪一个模型最适合现实世界。研究人员发现，虽然那个略微准确的模型需要更多的计算能力，但另外两个模型是专门为快速和高能效设计的，这使得它们成为直接在便携式超声设备上运行、无需互联网连接的理想选择。这意味着医生有可能使用手持扫描仪，即使是在资源有限的偏远野战医院或繁忙的急诊室里，也能获得关于神经位置的即时、自动化的建议。该研究得出结论，这些轻量级系统为先进的人工智能与日常医疗护理之间搭建了一座实用的桥梁，证明了我们并不总是需要最强大的计算机来获得可靠的答案。通过简化任务并选择合适的工具，将复杂的诊断辅助功能带到最需要的地方是可能的，前提是未来的工作要解决那些仍会让机器感到困惑的罕见模式问题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。