基于YOLO算法的超声造影对子宫内膜血块的检测研究

摘要

目的：探讨YOLO11模型在子宫内膜超声造影影像中检测血块的性能，以期为临床诊断提供科学辅助。方法：选取南通大学附属常熟医院超声科2020年9月—2023年2月间收治并经病理证实为子宫内膜血块的7例患者，同时选取与血块影像特征相似的子宫内膜癌8例、子宫肌瘤3例、子宫内膜息肉6例、子宫内膜增生4例、正常子宫影像2例纳入研究。首先对病理证实为血块的子宫内膜超声造影影像数据集进行标注；然后采用YOLO11基线模型对标注完成的数据集进行训练和验证；最终通过调整YOLO11模型中的超参数以优化检测性能，提升最终结果的准确性。结果：YOLO11模型通过调整超参数，在掩码比例为4（mask＿ratio=4）时达到了最佳检测精度。其边界框检测指标，即交并比阈值为0.50～0.95的边界框的平均精度值(Box mAP_50-95)，达到了95.6%，而实例分割的检测指标，即交并比阈值为0.50～0.95的掩码的平均精度值(Mask mAP_50-95)，也同步提升至92.2%。结果表明，通过这种超参数调整，优化了模型对掩码区域的语义解析能力，在保持高速推理效率的同时，成功平衡了特征图分辨率与分割精度的内在矛盾。结论：本研究验证了子宫内膜的血块数据集在YOLO11分割检测模型中的适用性，该模型不仅能够对未标注影像中的病变区域实现定位，且经参数调优后对细微病灶的识别有所提升。该研究为提升妇科超声影像学诊断能力提供了技术支持。

关键词

子宫内膜 / 血块 / 超声造影 / 深度学习 / YOLO11