摘要目的 建立姿态估计模型,观察其识别主动脉腔内介入器具的性能及临床适用性.方法 收集45例接受主动脉介入治疗(包括单纯医师及医师在机器人辅助下介入操作)患者的 48段数字减影血管造影(DSA)视频片段并经预处理拼接为 1个视频、含 10 220帧图像,根据图像背景复杂度将其分为A～E共 5种.于其中隔帧抽取 5 110帧作为关键数据集,并与其内划分训练集(n=4 599)与验证集(n=511),以人工标注训练集各帧内所有器具,包括导丝、导管、导丝尖端及导管尖端并加以累计.利用模型主干网络提取特征,结合光流跟踪算法实现关键点邻帧跟踪;针对 10 220帧图像进行逐帧推理后,于训练集统计模型分类混淆性能,于验证集计算模型精度,于全部数据集获取推理速度并与U-Net进行对比.结果 所获模型识别验证集导丝及导管的平均精度分别为 0.832、0.808,均优于U-Net的 0.767、0.793;其识别医师操作下验证集胸主动脉内导丝、导管的平均精度为 0.787、0.756,识别腹主动脉内导丝、导管的平均精度分别为0.826、0.806;识别机器人辅助操作下导丝、导管的平均精度为0.855、0.834.A～E 5种背景下,模型识别验证集导丝精度分别为 0.594、0.865、0.817、0.793 及 0.764,识别导管精度分别为 0.626、0.847、0.795、0.739及0.694.模型累计于训练集正确分类7 971、7 026、7 551及7 533个实例的导丝、导管、导丝尖端及导管尖端,累计误分类1 271、1 357、812及863个实例的导丝、导管、导丝尖端及导管尖端.针对全部10 220帧,模型平均推理帧频为20.66帧/秒.结论 所获姿态估计模型识别血管腔内导丝、导管精度和实时处理能力出色,可用于临床.