基于YOLO v11的X线气腹检测模型研究

摘要

目的 探讨深度学习目标检测算法YOLO v11应用于X线立位胸、腹部平片上气腹的检测的可行性。方法 回顾性收集2014年1月～2023年12月5个医学中心胸、腹部立位正位X线图像，经筛选后共1844张X线图像（胸部860张、腹部984张）被纳入本研究。其中4个中心的1728张图像被用于模型的训练和内部验证，1个中心的116张图像作为独立的外部测试集。基于Pytorch框架构建2个YOLO v11检测模型，包括膈面下透亮（线）影检测模型（模型一）：仅检测膈面下透亮（线）影；多气腹征检测模型（模型二）：检测膈面下透亮（线）影及5种其他气腹征象。结果 模型一在内、外部验证上的mAP@0.5分别为0.858、0.748，精确率分别为0.846、0.790，召回率分别为0.791、0.709，单帧图像检测时间为15.8 ms。模型二在内、外部验证上表现较好的分类为膈面下透亮（线）影（mAP@0.5分别为0.859、0.743）和气体透亮影背景下的实质脏器外轮廓（mAP@0.5分别为0.776、0.766），实质脏器重叠在实质脏器上显示对比度较低的外轮廓在外部验证集上mAP@0.5为0.482（内部验证为0.431），而其他征象检测效能较低，单帧图像检测时间为15.5 ms。结论 基于YOLO v11的X线气腹检测模型对膈面下透亮（线）影和气体透亮影背景下的实质脏器外轮廓的检测效能较高，有助提高气腹征检出率，及时提示患者消化道穿孔风险，优化临床流程。

关键词

消化道穿孔 / 气腹 / 深度学习 / 目标检测