超声图像引导下深度学习区域神经阻滞麻醉效果的肩胛骨折手术

文摘

为了探讨肩胛骨折患者的临床特点,深度学习模型的患者采用超声波图像定位在肩胛骨折手术病人的麻醉点与区域神经阻滞治疗。100肩胛骨折急诊住院患者在医院被招募。算法组患者使用超声引导区域神经阻滞穿刺和对照组患者使用传统体表解剖学麻醉定位。肩胛骨的超声波图像的对比组用于麻醉的深度学习模型的识别和分析的针灸穴位。肩胛骨解剖学的患者的超声图像对比组中提取,并采用卷积神经网络模型训练和测试。此外,该模型性能评估。发现深度学习的采用大大提高了图像的准确性。经过平均7.5±2.07分钟的时间完成穿刺针触及皮肤注射算法组(处理人工智能超声波定位)。对照组的操作时间(解剖定位)平均为10.2±2.62分钟。此外,两组之间有显著性差异( )。方法采用对比组高定位精度和良好的麻醉效果,并且减少患者术后并发症的病人(所有 )。深度学习模型可以有效地提高超声图像和测量的准确性和帮助未来的临床病例的治疗肩胛骨折。同时提高医疗效率,还可以准确地识别病人骨折,采用大潜在改善手术麻醉的效果。

1。介绍

肩胛骨折在1805年首次被Desault,研究肩胛骨折的特点。肩胛骨折骨折占全身的1%和5%的总肩骨折(1]。它通常是车祸等意外事故造成的或从高处跌落。大多数的年轻人和中年男子占64%到90% (2]。肩胛骨折如痛苦的骨折和骨折(疲劳损伤)是罕见的。肩胛骨折通常是多个创伤和常常被忽视的一部分。随着社会的发展,科学和技术,和运输,其发病率逐渐增加(3]。体格检查、x线或CT检查通常可以确诊的肩膀和脚骨折。目前,大多数的外科治疗肩胛骨折集中在肩膀、肾脏、和颈部,包括关节表面,需要尽可能减少解剖。然而,术后并发症的发生率,如关节痛,不稳定,冲击相对较高(4]。

局部神经阻滞主要用于手术麻醉的肩膀和手腕。局部神经阻滞的要求对病人的全身生理功能和硬件设备较低与全身麻醉相比,和术后疼痛是相对较少的5]。此外,当地的神经阻滞能减少全身麻醉。地区当地的神经分布相对集中,局部神经阻滞主要形式各种块路径,包括肌肉槽,锁骨下、锁骨下纵向渗透,锁骨下多态的过程,和腋窝路径(6]。传统神经骨折手术的操作要求病人应该清醒,可以协助报告的感受,和神经干的穿刺针在很短的时间内联系,这将引起病人的主观不适,在穿刺过程中可能会导致神经损伤7]。神经骨折手术的成功的关键是周围神经的位置的正确性。它需要外科医生的临床经验高,有一个伟大的对病人的各种解剖变化的影响,因此,成功率不高。神经骨折手术往往伴随着血管病变或重要的组织和器官,这可能会导致严重并发症或后遗症。神经刺激设备的发展和应用增加了神经骨折手术的成功率。然而,穿刺会增加病人的不适,和静脉注射止痛剂和镇静剂的使用逐渐增加(8]。近年来,随着医疗技术的进步和人类医疗的进步,需求快速发作,长期维护,成功率高,简单的神经断裂手术也增加。的帮助下解剖定位的神经刺激器,外周神经阻滞变得越来越广泛。近几十年来,超声技术的出现使肩胛骨折手术更安全、更有效,并进一步扩大了适用范围(9]。这项技术迅速改变了临床麻醉的方式,和局部麻醉可以以可视化的方式进行。超声波是动态的,实时的,可记录的、无辐射、超声引导下神经阻滞技术发展和成熟在过去的十年里10]。超声引导下神经阻滞与传统的技术不同。传统方法确定目标通过寻找神经感觉异常的方法通过体表解剖位置或诱导神经肌肉收缩的神经刺激器,但传统方法无法实现可视化的穿刺点(11]。超声波成像可以想象需要屏蔽的神经,以及伴随的血管和周围重要组织神经。通过可视化的神经和神经周围的重要结构,可以保证准确的扩散在神经阻滞麻醉药物目标周围的神经。它还避免了损伤血管和周围重要组织结构,减少不良事件的发生率,如鞘内注射和血管内注射(12]。

深入学习是机器学习领域的一个新的研究方向。不像传统的机器学习,深度学习神经网络包含许多隐藏层。机器可以自动学习每个级别的数据,完全的特征分析和处理数据信息。深度学习的优秀结果技术在医学领域主要体现在医学图像的处理与分析13]。它不需要手动提取函数或图像进行预处理。它可以提取图像中的信息和深度图像的特征,从而导致疾病诊断和诊断。目前,研究和应用领域的深入学习麻醉是相对罕见,全身麻醉后,病人死亡的风险可以预测在手术过程中基于数据提取。此外,深度学习有广阔的应用前景在麻醉研究它的性能和可伸缩性。

本研究的目的是探讨以下三个问题:首先,图像精度之间的差异和普通超声波图像深度学习超声波图像;其次,采用人工智能超声波优化麻醉穿刺路径;第三,超声成像的有效性指导肩胛区域神经阻滞治疗骨折的手术痛苦。这是希望为其他区域神经阻滞麻醉操作提供参考。

2。方法

2.1。研究对象

在这项研究中,共有100个肩胛骨手术患者手术从2017年7月到2019年7月被招募。这项研究被医院医学伦理委员会批准,和病人的家庭成员包括在这项研究已经签署了知情同意书。入选标准如下:(i)患者的疾病,如高血压、糖尿病、呼吸功能不全的标准美国麻醉学(ASA);(2)肩胛骨折手术不超过四个小时排除标准如下:(i)患者瘫痪;(2)言语功能障碍患者;(3)患者在穿刺部位皮肤感染;臂神经丛损伤患者(iv);(v)患者锁骨手术经验;(vi)患者胸膜液体或腹水

在100例肩胛的手术,局部麻醉浓度的1%,7%的Lopimaran注入区域麻醉。病人被随机开进对照组(传统体表定位)和算法组(超声引导定位)。

2.2。实验环境

2.2.1。深度学习建设细分模型

卷积神经网络学习算法是一种常用的深(14]。这个过程如下。引发的人类视觉系统,连续修改形成的多层神经网络适用于处理和识别图像。一个经典的卷积神经网络由一个卷积神经层和归一化层,其结构如图1。

3所示。SegNet模型

凹陷是一个全新的深度完全卷积神经网络模型(语义pixel-wise神经网络模型)提出的三个深度学习专家(Yadri-narayanan、Kcndall Cipolla) 2010年从剑桥大学能够进行图像pixel-wise语义分割和图像标记(15]。SegNet模型主要由编码器,译码器,oft-max层。编码器和解码器成对出现的图像特征提取和优化。其结构如图2。

SegNet模型将图像分为低频部分,这是通过低通滤波(平滑和模糊)的形象,高频部分,通过减去原始图像的低频部分(16]。该算法的目标是提高高频部分代表细节,也就是说,高频部分乘以一定的增益值,然后将它们结合起来获得一个增强的图像。因此,SegNet模型的核心是计算高频增益系数的一部分。一种解决方案是将增益设置为一个固定值,和其他的解决方案是表达增益值方差相关数量,这将在稍后解释附加方程。

假设图像中的像素表示为x(我,j);然后用(我,j)为中心,在该地区的窗口大小(2n(2 + 1)∗n+ 1),其本地意味着总和和方差可以表示为如下方程:

中值mx可近似视为背景部分,在这个时间吗x m高频细节部分,获得高频产品是以下方程:

为获得G,第一个选项是一个常数大于1,达到增强的效果,这是以下方程:

选择两个是表示为一个变化值成反比当地的均方误差,这是以下方程:

当地的均方误差大的高频区域形象,和增益值很小,所以结果不会太亮。然而,当地的均方误差非常小的平滑区域形象,和增益值很大,这可能会放大噪声信号。因此,有必要限制的最大增益,从而获得更好的结果。

3.1。自适应对比度增强

这个网络的原则分类图像分成两部分。低频部分可以通过低通滤波的图像。高频的部分是通过减去原始图像的低频部分。该算法的目的是可视化图像的细节,也就是说,高频部分乘以一定的增益值重构强调形象。增强图像精度的核心是不断扩大清晰的图像,以提高图像质量。

如今,医学上生成图像主要集中在低频分量,而噪声和图像细节都集中在高频组件。图像处理的两个组件分离,执行不同的操作和处理,可以避免图像细节丢失和噪声放大时,直方图均衡化算法。它的目标是将输入图像的高频和低频分量。医学超声图像有详细和严格的要求,和模糊是不允许的,所以高斯低频滤波器被用于这项研究。

3.2。麻醉方法

4 - 5μ克/公斤芬太尼、异丙酚1.5 - 2毫克/公斤,0.1毫克/公斤维库。气管插管成功后,麻醉机是连接到机械通风,潮汐卷8 - 10毫升/公斤,呼吸速率是8 - 12次/分钟。在操作期间,0.06 - -0.1μg / kg / min remifentanil用于持续静脉泵注,吸入七氟醚1.0 - -1.3 MAC在40 - BIS值,维持麻醉的深度和间歇静脉注射维库是维持肌肉放松。如果心率低于55次/分,0.3毫克阿托品,当收缩压低于术前基值的25%,10毫克麻黄素血压升高。

3.3。传统体表定位的肩胛骨区域神经阻滞

病人麻醉内心一边和1/3的影响网站的麻醉。患者仰卧位,头偏向约1.5 - -2.0厘米。消毒后肩胛骨折处20 g沿着竞争槽插入穿刺针,针是慢慢地插入到低,横向方向。针被插入的1.5 - 2.0厘米,病人会感到痛苦和穿刺的位置,以便医生被告知。20毫升局部麻醉剂注入肌肉,和一个5分钟的按摩是传播麻醉液体更远。

3.4。人工智能超声引导肩胛骨区域神经阻滞

病人麻醉内心一边和1/3的影响网站的麻醉。头部应该倾斜约1.5 - -2.0厘米,肩胛骨骨折的病人应该仰卧的接触。消毒后,超声波被用来检测需要麻醉的神经。被检测的神经结构相对更加明显边缘侧缘的肩胛骨。超声波显示神经麻醉网站,穿刺的位置应该确定和20毫升的局部麻醉剂注入肌肉。经过5分钟的按摩,麻醉液进一步蔓延。

3.5。观察指标

手术时间、穿刺深度调整穿刺时间,时间开始麻醉,良好的麻醉,并发症率和其他指标的两种局部神经区域的方法。(我)的阻塞作用指的是时间与皮肤接触的穿刺针的完成注入。超声设备的测量工具是用来测量距离的穿刺点目标,和实际的穿刺深度测量载体。(2)针穿刺过程中调整时间记录,所以做了骨的发生,针头,针穿刺过程中身体缺陷。此外,损失的病例数的电阻时,上臂的横韧带是突破也记录下来。(3)麻醉效果是由其他麻醉医师评估,和麻醉水平和效果测量后30分钟内注入。标准如下:优秀的:完全无痛;优点:减少了感觉和轻微的疼痛;差:正常的感觉和极度的痛苦。(IV)知觉障碍等并发症的发生率,血管穿刺损伤、血肿、穿刺部位疼痛,气胸,局部麻醉中毒在穿刺过程中被记录。

3.6。统计方法

采用SPSS 16.0进行分析和统计。正态分布的测量数据表示为±标准差,单因素方差分析是用于对比组。非正态的分布测量数据被表示为中位数和四分位范围,秩和检验率表示为百分数(%),并使用卡方检验。卡方检验也用于级数据。 建议数据具有统计上的显著差异。

4所示。结果

4.1。视觉图像和深度学习的准确性评价模型Non-AI图像

扫描对象的原型与“断层”显示清楚,这样医生就可以识别它。在图3后,肩胛骨截止频率被高斯低通滤波。过滤下降到某个值时,显然是划定的边界,留下一个清晰的it及其环境之间的屏障。

在图4,第二个增强扫描对象和背景的黑暗部分旁边有更好的对比,颜色分层是显而易见的,可以清楚地强调主要部分的特点。

图5显示一组图片的骨折患者。在图像增强和优化之前,底部的断口图5似乎并不是显而易见的。如果不增强,很容易被误判为nonfracture网站,影响医生的判断,而增强超声图像可以清晰地显示骨折的位置。

第二个边界增强专注于一些边缘轮廓的优化和对比的增加,进一步拉近了分割图像的真实价值。图6显示了增强曲线的准确性。

4.2。传统的位置之间的关系在肩胛骨区域神经阻滞和实际表面超声波肩胛骨的位置

肩胛骨地区传统神经的位置与实际神经的体表位置重叠在肩胛骨区域在超声波下,占60%。肩胛骨地区传统的神经的位置是38%实际体表位置以外的神经在肩胛骨区域下超声波。肩胛骨地区传统的神经的位置是2%的实际体内表面神经的位置在肩胛骨区域超声波(图7)。传统的肩胛骨的体表定位区域是0.63厘米远离实际的身体表面超声下的肩胛骨区域。传统和人工智能超声波重叠的位置区域,和人工智能的位置区域大约是36%以上的内部。

4.3。比较的注射时间和穿刺点和肩胛骨之间的距离在两组之间

对比组(人工智能超声波定位),花了平均7.7±2.1分钟的时间完成穿刺针触及皮肤注射。对照组的操作时间(解剖定位)平均10.7±2.4分钟,两组之间有显著性差异( )。实际的对比组的穿刺深度为62.5±7.2毫米,和对照组为79.8±8.9毫米。两组之间的差异是重要的( )(图8)。

4.4。比较两组之间的运动块的影响

运动块的得分效果对比组和对照组图所示9。握紧的拳头,屈肘、手腕扩展,和手臂举起明显不同的对比组和对照组和运动块对比组的效果更好,有统计学差异( )。

4.5。比较两组之间的不良事件在穿刺

针跟踪的数量需要调整穿刺中对照组3.25±1.36倍,和对比组是2.11±1.31倍。 ,有统计学差异。期间遇到骨头的次穿刺分别为1.91±1.34倍和0.68±0.73倍的两组,分别 ,统计差异(图10)。

4.6。对两组的麻醉效果的评价

对比组中,有11例与良好的麻醉效果和9例具有良好的麻醉。有13例优秀良好的麻醉效果和7例麻醉在对照组(图11)。结果表明,麻醉效果对比组的得分高,麻醉效果很好。

4.7。穿刺网站和穿刺不良反应的比较两组之间的区域神经阻滞

在数据12和13,其中对照组的病人有短暂的异常感觉在穿刺,而对照组没有显示瞬态异常感觉。对比组的一个案例中被发现有血管损伤,和形成的血肿穿刺血管受伤的对照组。疼痛的主要抱怨在两组穿刺是显而易见的,有6个病人在对照组,占30%。对比组的患者没有抱怨明显疼痛,有两组之间的差异( )。没有气胸和局部麻醉中毒两组。

5。讨论

采用超声波技术在区域神经阻滞已成为近年来研究的热点问题。超声波技术产生了革命性的进步神经区块,包括脊柱区域神经阻滞的发展(17]。然而,很少有报道使用超声波在胸脊椎旁区域神经阻滞。如今,超声波技术在临床的应用区域神经阻滞有收获好的结果和积累的经验与实时指导parathoracic区域神经阻滞(18]。在超声波,矢状切面扫描块,斜剖面扫描块使用两种模式。病人可以选择的位置坐和卧位的位置,以及临床麻醉区域或坐姿。超声波检测的选择主要取决于穿刺的深度目标和病人的体型,和病人的体重已被证明在很多研究中是一个重要的因素影响胸腔穿刺的深度(19]。超声波探头必须选择适当的频率扫描的网站。高频线性检测用于胸侧脊髓区域神经阻滞(20.]。超声成像的物理性质是由频率和波长检测的超声波辐射。超声波频率单位相关决议。人耳能感觉到在20 Hz-20 kHz,声波的频率和医疗诊断超声波是外墙面MHz的频率。超声波检测的频率越高,横向分辨率越好。超声波波长是指相邻的粒子之间的距离在两个振动区域,允许更清晰的神经和周围的组织之间的区别。波长越长,透光率越高。线性探针是6-13 MHz的频率,适合拍摄人体表面的组织结构。大部分的检测频率是2 - 7日MHz,可用于深层组织结构成像(21]。因此,选择合适的探头根据病人的体型和网站的深度麻醉。在这项研究中,患者的体重不到30公斤/米²和良好的使用高频线性探针成像结果。发出的超声波探针表面渗透和传播到室内,反映出反应引起障碍时遇到的。各种障碍可以产生不同的回声,收集并显示在屏幕上的实时视图内部器官的各个部分。此外,结合彩色多普勒模型,这是特别敏感的流动液体。因此,可以更好地观察到血管彩色多普勒光谱和流动和扩散可以观察到局部麻醉注射,可使医生更好地进行下一个操作(22]。

总的来说,传统穿刺在硬膜外穿刺麻醉缺乏突破的感觉,所以成功率很低,并发症高。一种安全、有效指导穿刺方法是急需的诊所。结果表明,断裂的网站中没有明显的图像增强和优化之前,它是容易误判nonfracture网站,影响医生的判断。增强的声波图清晰地显示骨折的位置。传统超声波的定位区域和人工智能超声大大重叠,和人工智能的面积内超声定位为36%以上。算法组穿刺针渠道少,不良反应少,和破碎的操作时间,表明超声定位算法的效果优于传统的穿刺。后的可视化和实时性能人工智能超声被用于两个对照组,应用超声图像引导区域神经阻滞的可行性基于深度学习肩胛骨骨折麻醉了。

6。结论

深上优于超声影像成像在肩胛骨折手术与区域神经阻滞麻醉与传统穿刺麻醉剂的使用。证明,在这项研究中提出的方法比传统方法更有效,无论穿刺准确性评价或评价的方法使用的麻醉效果。这种方法大大缩短穿刺所需的时间和减少并发症与传统穿刺相比。在未来,我们需要验证的性能构造模型在更多的情况下,更多的疾病类型。此外,统计数据的基础上形成的各种参数病人使用这种方法,其临床诊断和预后预测效果需要进一步研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Yubo刘和程Liangzhen贡献同样这项工作。

引用

1. p . l . Gambus和美国Jaramillo机器学习在麻醉:活泼,积极主动…预测!,”英国麻醉学杂志,卷123,不。4,第403 - 401页,2019年10月。视图:出版商的网站|谷歌学术搜索
2. 美国李:莫尔:街道,p . Nadkarni“机器学习与急诊医学临床和操作场景:概述,“西方急诊医学杂志》上,20卷,不。2,页219 - 227,2019年3月。视图:出版商的网站|谷歌学术搜索
3. j .他s·l·巴克斯特,j .徐j .徐x,和k .张”的实际实现人工智能技术在医学上,“自然医学,25卷,不。1、30-36页。2019年1月。视图:出版商的网站|谷歌学术搜索
4. w . l . Bi a . Hosny m . b . Schabath et al .,“人工智能在癌症成像:临床的挑战和应用,“CA:临床医生的癌症杂志》上,卷69,不。2、威利在线图书馆,2019年。视图:出版商的网站|谷歌学术搜索
5. y的歌,美国高,w . Tan z秋h .周和y赵,“多个机器学习透露类似的预测准确性的PNETs预后监测、流行病学、最终结果数据库,”癌症杂志》,9卷,不。21日,第3978 - 3971页,2018年10月10。视图:出版商的网站|谷歌学术搜索
6. r . Pirracchio m·j·科恩,即Malenica et al .,“大数据机器学习和有针对性的行动来帮助在ICU医疗决定,”麻醉止疼药危重病&,38卷,不。4,第384 - 377页,2019年8月。视图:出版商的网站|谷歌学术搜索
7. 李x, z Lv,和w·李,“沉浸式虚拟现实地理交互式场景语义研究地理学习,”Neurocomputing,卷254,不。6,71 - 78年,2017页。视图:出版商的网站|谷歌学术搜索
8. w·g . Wang, s . Ourselin, t··维”自动脑瘤分割使用级联各向异性卷积neura网络,”《国际MICCAI brAInlesion车间施普林格,页178 - 190年,魁北克市,加拿大,2017年9月。视图:出版商的网站|谷歌学术搜索
9. y元,m .曹国伟和研究。瞧,“自动皮肤病灶分割使用深与jaccard完全卷积网络距离,”IEEE医学成像,36卷,不。9日,第1886 - 1876页,2017年9月。视图:出版商的网站|谷歌学术搜索
10. Gaudet-Ferrand, p . De La领域,美国Bringuier et al .,“超声引导儿童阴部神经阻滞:超声引导下transperineal方法的一种新技术,”小儿麻醉,28卷,不。1、53-58页。2018年1月。视图:出版商的网站|谷歌学术搜索
11. l·m·史密斯和m . j .巴林顿“超声引导块心血管外科:哪块的病人?”当前舆论麻醉学,33卷,不。1,第70 - 64页,2020年2月。视图:出版商的网站|谷歌学术搜索
12. 辛格,n . k . Choudhary d . Lalin和v . k . Verma“双边超声引导安装工spinae平面块在腰椎手术术后镇痛:一个随机对照试验,”神经外科麻醉学杂志,32卷,不。4,第334 - 330页,2020年10月。视图:出版商的网站|谷歌学术搜索
13. 任,k .他、r . Girshick和j .太阳,“快R-CNN:对与地区建议网络实时目标检测,”IEEE模式分析与机器智能,39卷,不。6日,第1149 - 1137页,2017年6月。视图:出版商的网站|谷歌学术搜索
14. 问:詹,w . Wang和g . de Haan”分析CNN-based remote-PPG理解的局限性和敏感性,”生物医学光学表达,11卷,不。3,第1283 - 1268页,2020年2月7日。视图:出版商的网站|谷歌学术搜索
15. x, w·罗,j .胡锦涛et al。“大脑SegNet: 3 d局部细化大脑病变分割网络”BMC医学成像,20卷,不。1,p。17日,2020年2月11日。视图:出版商的网站|谷歌学术搜索
16. h .梁b . y .崔h .倪et al .,“评估和儿科疾病的准确诊断使用人工智能,”自然医学,25卷,不。3,第438 - 433页,2019年3月。视图:出版商的网站|谷歌学术搜索
17. x的最爱,l·张,杨j . et al .,“Delta-radiomics特性预测非小细胞肺癌病人的结果,“科学报告,7卷,不。1,p。588年,2017年4月3。视图:出版商的网站|谷歌学术搜索
18. 里佐,f·博塔携手美国Raimondi et al .,“Radiomics:事实和图像分析的挑战,”欧洲放射学实验,卷2,不。1,p。36岁,2018年11月14日。视图:出版商的网站|谷歌学术搜索
19. t . Kagawa吉田,t . ShirAIshi et al .,“磁共振成像的基本原理对初学者口腔颌面放射学家,“口腔放射学,33卷,不。2,施普林格,2017年。视图:出版商的网站|谷歌学术搜索
20. 李x, z Lv, h . Lv, w .秀“BIM WebVRGIS大数据存储”IEEE工业信息,16卷,不。4、2566 - 2573年,2020页。视图:出版商的网站|谷歌学术搜索
21. 问:r·陈和s . p .谢“肺癌检测方法基于深度学习。”计算机技术与发展2018年,卷。28日。视图:出版商的网站|谷歌学术搜索
22. h . Seo m . Badiei Khuzani,诉Vasudevan et al .,“机器学习生物医学图像分割技术:技术方面的概述,介绍艺术应用,国家优先车道”医学物理学卷,47号5,pp. e148-e167, 2020年6月。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Yubo刘和Liangzhen程。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。