基于深度神经网络的足底固有肌超声自动分割：开发与验证研究
Automated Segmentation of Intrinsic Foot Muscles in Ultrasound Using Deep Neural Networks: Development and Validation Study.
PubMed 文献 · Ultrasound Med Biol · 2026-10-12
本研究纳入200名健康者的1099幅足底固有肌超声图像，以人工分割为金标准，训练并验证U-Net、FPN、DeepLabV3+三种深度网络（Mix Transformer骨干）进行像素级分割。模型整体分割性能优良，平均IoU≥0.90、DSC≥0.95，单幅推理时间小于0.01秒。首次实现超声足底固有肌自动分割，为临床可重复的肌肉定量评估奠定基础。
要点
- 该框架可对四块足底固有肌进行像素级自动分割，单幅耗时小于0.01秒。
- 分割精度以趾短屈肌最高（IoU=0.95，DSC=0.97），足底方肌稍低。
- 与人工测量的一致性高，横截面积ICC为0.836-0.960。
核心结论
- 基于Mix Transformer骨干的深度网络可对超声足底固有肌实现准确、可靠的像素级自动分割，单幅推理时间小于0.01秒，首次将该技术扩展至该肌群。
研究设计与样本
- 开发验证研究；200名健康参与者，共1099幅超声图像；以人工分割为参考标准。
诊断标准与关键数值
- 所有模型平均IoU≥0.90、平均DSC≥0.95；趾短屈肌（FDB）IoU=0.95、DSC=0.97，足底方肌（QP）IoU=0.90、DSC=0.95。
- 与人工分割的一致性：横截面积ICC为0.836-0.960，边界长度ICC为0.705-0.944，系统偏差极小。
临床应用与阅片要点
- 可用于超声足底固有肌的自动定量分割，减少人工测量误差；注意模型仅在健康成人中开发，临床人群应用需进一步验证。
局限性
- 仅在健康成人中验证，尚未在临床人群中验证。
- 模型推理时间小于0.01秒仅指前向传播，不包括图像加载、调整尺寸和后处理。
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Gulle, Mumcu, Goodrich, et al. Automated Segmentation of Intrinsic Foot Muscles in Ultrasound Using Deep Neural Networks: Development and Validation Study. Ultrasound Med Biol. 2026. PMID: 42864240. doi:10.1016/j.ultrasmedbio.2026.08.027
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。