基于YOLO v11网络的小肠胶囊内镜病变自动分割AI系统开发

摘要

目的 构建人工智能辅助系统，实现小肠胶囊内镜（SBCE）图像中8类病变的自动检测与分割。方法 整合3个数据集的SBCE图像，使用LabeMe工具多边形标注病变，并转换为YOLO模型兼容的格式，用于神经网络模型的训练、验证与测试，包含13 983张图像和17 911个注释标签。模型性能评估指标包括精确率、灵敏度、50%交并比阈值下的平均精度(mAP⁵⁰)、50%～95%交并比阈值下的平均精度均值(mAP^50～95)、推理速度等指标。结果 共开发出5种不同规模的YOLO v11分割模型（v11n、v11s、v11m、v11l、v11x）。其中，YOLO v11m在保持最高mAP⁵⁰（0.908）的同时，实现了较快的推理速度（208.3帧/s），因此被选为最佳模型。在外部测试集中，YOLO v11m对8类小肠病变的分割任务取得了0.892的总体mAP⁵⁰，其中息肉和淋巴管扩张的分割精度最高，mAP^50～95分别为0.723和0.707，而出血类别的mAP^50～95最低，仅为0.409。结论 基于YOLO v11神经网络开发的SBCE图像分割模型YOLO v11m具有良好的识别性能，能够自动实现多类别小肠病变的精准定位、分类，并准确勾勒病变的像素级轮廓。

关键词

小肠病变 / 胶囊内镜 / 人工智能 / 深度学习 / 图像分割 / YOLO / 计算机视觉