摘要目的 基于UNet++、残差模块(ResNet)以及高效通道注意力机制(ECA)模型构建Res-ECA-UNet++模型,并评估该模型在卵巢肿瘤(OT)超声声像图语义分割中的性能.方法 纳入OT患者 276 例 449 幅超声声像图、卵巢正常者 75 例 90 幅超声声像图,按 7∶3 随机分为训练集与验证集,采用OpenCV软件通过数据增强将训练集 377 幅超声声像图增强至 2 206 幅,验证集 162 幅超声声像图保持原始图像的像素分布.基于UNet++框架,结合ResNet-34 模块和ECA模块构建Res-ECA-UNet++模型.采用准确率、平均交并比及Dice系数评估Res-ECA-UNet++模型的语义分割性能,通过计算灵敏度、特异度、F1分数及ROC曲线的AUC评估Res-ECA-UNet++模型对OT亚型的诊断效能.结果 Res-ECA-UNet++模型构建成功.Res-ECA-UNet++与手工分割在病灶边缘部分具有很高的一致性.Res-ECA-UNet++模型对OT超声声像图的特征提取聚焦于病变核心区域(如囊壁增厚或实性成分),该模型对病灶的解剖学范围及实性成分显示出与超声医师诊断策略一致的特征聚焦特性.Res-ECA-UNet++模型在测试集中准确率为 93.46%,平均交并比为 91.54%,Dice系数为 89.52%,较UNet模型分别提升 6.17%、8.30%及 5.62%.Res-ECA-UNet++模型在子宫内膜异位囊肿、成熟畸胎瘤及正常卵巢中达到最优分类性能,其 95%CI上界均>95%.Res-ECA-UNet++模型在OT亚型诊断中表现最佳,其AUC达到 0.95(P<0.05).结论 本研究成功构建了Res-ECA-UNet++模型;该模型可对OT超声声像图进行多尺度精准分割及病理亚型鉴别.