双分支双向反馈特征提取网络在动脉支架实时精确定位中的应用研究

《Scientific Reports》：Application of dual branch and bidirectional feedback feature extraction networks for real time accurate positioning of stents

编辑推荐：针对动脉支架植入术中定位精度不足的临床难题，武汉商学院与武汉大学人民医院团队创新性提出DBMedDet深度学习模型。该研究通过并行双分支边缘特征提取网络、双向反馈特征融合颈子网络及辅助分类检测头设计，实现支架放置区域的实时检测（127 FPS），mAP@0.5达0.841，较YOLOv8系列提升3.20%-6.23%，为血管介入治疗提供高精度智能导航方案。

　　

在血管介入治疗领域，动脉支架植入术是治疗狭窄或阻塞性病变的关键手段，但术中支架的精确定位始终是困扰临床医生的技术难点。传统方法依赖医生经验判断低分辨率影像，面临分支血管误覆盖（发生率0.1-3.5%）、电磁干扰和运动伪影等多重挑战。更棘手的是，左锁骨下动脉或肾动脉等关键分支的误遮挡可能引发肢体缺血、中风甚至器官坏死等严重并发症。尽管已有研究尝试用Adaboost、SVM等机器学习方法分析支架结构，但这些技术普遍存在实时性差（如20 FPS）、对图像质量敏感等局限。如何实现术中毫米级精度的实时引导，成为提升血管介入手术安全性的核心突破口。

武汉商学院信息工程学院联合武汉大学人民医院心血管内科的研究团队在《Scientific Reports》发表创新成果，提出双分支医学图像检测器DBMedDet。该模型通过三大核心技术突破：1）并行双分支架构（主分支处理原始特征，边缘分支采用Sobel算子提取1×W×H边缘特征）；2）双向反馈特征融合颈子网络（RMNet架构实现四向特征流）；3）专设辅助分类头（全局平均池化+softmax区分胸/腹主动脉支架）。研究采用武汉大学人民医院提供的2014张标注影像（训练集1612张，测试集402张），通过5折交叉验证证实其mAP@0.5达0.841，推理速度127 FPS，较YOLOv8l/m/s分别提升4.88%、4.61%、3.20%，且参数量（22.8M）和计算量（72.9G FLOPs）更低。

关键技术方法包括：1）多尺度训练（输入尺寸640×640，batch size=4）；2）Sobel边缘检测算子优选（对比Canny/Laplacian）；3）改进C2模块（split+Conv1×1+Conv3×3组合降低FLOPs）；4）复合损失函数设计（Bbox Loss=CIoU Loss+dfu Loss，Cls Loss采用BCE Loss）；5）硬件配置为NVIDIA RTX 4090+Xeon Platinum 8352V。

研究结果部分显示：

1. 模型比较：DBMedDet在mAP@0.5上超越所有对比模型，最高较旋转目标检测算法Oriented R-CNN（0.433）提升94.2%，实时性达127 FPS（R3Det仅9 FPS）。
2. 消融实验：多尺度训练使mAP@0.5提升12.3%（0.718→0.841），Sobel算子较Laplacian提升16.3%精度且保持127 FPS。
3. 分支验证：双分支结构较单主分支提升11.2% mAP，证明边缘特征融合的有效性。
4. 损失曲线：最终迭代时Bbox loss（0.027）和dfl loss（0.056）均低于YOLOv8系列。

结论与讨论指出，DBMedDet首次实现血管支架的临床级实时检测（>30 FPS），其创新性体现在：1）边缘特征引导机制增强小结构识别能力；2）双向反馈网络解决医学影像噪声敏感问题；3）轻量化设计适配手术室硬件环境。局限性在于未覆盖更多支架类型（如冠状动脉支架），未来可扩展至脑血管等细分场景。该技术为介入手术提供实时视觉导航，有望将分支血管误覆盖风险降低至0.1%以下，对提升EVAR（腹主动脉瘤腔内修复术）、TBAD（胸主动脉夹层）等复杂手术的安全性具有重要临床价值。