正中神经是臂丛神经的主要分支之一,支配前臂屈侧的大部分肌肉,以及手内桡侧半的大部分肌肉和手掌桡侧皮肤感觉。正中神经在臂部损伤时可累及全部分支,表现为前臂不能旋前;正中神经穿过腕管时受到压迫会导致腕管综合征,影响大众身体健康。临床上可根据正中神经在超声图像中的形态特征来进行诊断,如神经受压迫、神经炎症性病变和神经肿胀等。然而,超声成像特有的散斑噪声和低分辨率降低了图像质量,且正中神经与周边组织分界模糊,使得神经的轮廓难以界定。此外,目前临床上获得的神经超声图像多为二维图像,无法直观可视化神经的三维图像,医生们只能通过移动探头获取连续图像,凭借图像中神经位置、灰度和纹理等信息来进行诊断,这很大程度上依赖于医生的经验和三维想象能力,对经验不足的医生不友好。为此,本文构建了基于深度学习的VGG16-UNet图像分割网络,用于正中神经超声图像的自动分割任务。该模型以U-Net和VGG16为主干网络,其中VGG16作为编码器,解码器则参照U-Net上采样路径进行构建,并借助跳跃连接将编码器和解码器中同层次的信息进行连接。实验结果显示,VGG16-UNet的评价指标数值均高于U-Net,表明VGG16-UNet的分割结果优于U-Net的分割结果。为进一步提升模型的性能,在编码器和解码器中分别加入恒等映射操作来构建残差模块,以重复利用提取到的特征;同时引入空间注意力模块来联合模型的深浅层特征信息,使模型能更关注代表性更强的特征信息。从加入残差块或/和注意力块的 U-Net（R-UNet、A-UNet和AR-UNet）及 VGG16-UNet 网络（R-VGG16-UNet、A-VGG16-UNet 和 AR-VGG16-UNet）的对比实验结果得知,VGG16-UNet优化网络的结果均优于对应的U-Net网络,这证明了所提出的VGG16-UNet网络在提升分割性能上的有效性,以及提出的残差模块和注意力模块在优化网络模型上的作用。值得注意的是,同时引入注意力块和残差块的AR-UNet在其系列模型中表现最优,而进行了同样改进的AR-VGG16-UNet却略逊于仅嵌入注意力块的A-VGG16-UNet,这说明所提出的VGG16-UNet的鲁棒性不够强,存在一定的优化空间。此外,本文还利用可视化工具包（Visualization Toolkits,VTK）对二维的正中神经图像序列进行了三维重建和可视化。为更好地显示正中神经在可视化图像中的形态和走行,先将用A-VGG16-UNet模型分割得到的二值正中神经序列图像与原序列图像对应加权融合,再利用VTK中的光线投影体绘制方法将融合结果进行重建,使得神经的形态和走行能更直观地从不同角度进行展示,并能根据需要对其进行缩放和翻转操作,为评估神经肿胀或压迫,神经连续性,以及临床诊断提供信息帮助。