首页 > 临床超声医学杂志 > 基于改进YOLOv8的多任务深度学习模型自动识别胎儿腹部超声标准切面的研究

基于改进YOLOv8的多任务深度学习模型自动识别胎儿腹部超声标准切面的研究

Study on automatic recognition of fetal abdominal ultrasound standard planes by a multi-task deep learning model based on improved YOLOv8

二维码有效期 120s

摘要目前产前超声检查中存在胎儿腹部解剖结构复杂、标准切面识别难度大的问题,本试验提出了一种多任务深度学习模型,以实现胎儿关键解剖结构的精准检测与腹部超声标准切面的自动识别.选取我院孕18～24周1108例孕妇共2425张胎儿腹部超声标准切面图像,涵盖腹围切面、膀胱水平切面、脐带腹壁入口切面、双肾水平切面、右肾矢状切面、左肾矢状切面及双肾冠状切面共7个标准切面及14个关键解剖结构.模型采用YOLOv8作为基线网络开展解剖结构检测和标准切面识别两项任务,评价指标包括平均精度均值(IoU=0.5)、精确率、召回率、平均精度均值(IoU=0.5-0.95)、特异度、准确率.在关键解剖结构检测中,模型的平均精度均值(IoU=0.5)、精确率、召回率、平均精度均值(IoU=0.5-0.95)分别为0.938、0.916、0.911、0.588;在标准切面识别中,模型的特异度和准确率分别为0.990和0.959.与传统分类模型相比,本文提出的多任务深度学习模型在整体性能上表现更优.表明基于改进YOLOv8的多任务深度学习模型能够高效、准确地实现胎儿关键解剖结构检测及腹部超声标准切面识别,提升产前超声检查的准确性和效率,有助于胎儿腹部发育异常的早期筛查与诊断,具有较好的临床应用价值.