深度学习的上腹部超声标准切面识别智能分类算法研究.pdfVIP

BMEClinMed,July2025,Vol.29,No.4

生物医学工程与临床2025年7月第29卷第4期473

网络出版时间：2025-06-232D0I:10.13339/ki.sglc020

311:43:22·临床研究

网络出版地址：https://urlid/12.1329.R1825.041

深度学习的上腹部超声标准切面识别智能分类算法研究

张哲元1，张华斌1，冯月2，穆金宝,周璐3，郑忠青3，王邦茂3，王修明1

摘要：目的开发一种基于深度学习的上腹部超声标准切面识别与分类算法，以提高超声检查的标准化程度和诊断准

确度，减少医师经验依赖性，优化超声检查流程，提高医疗资源利用效率。方法选择2024年5月至2025年1月在北京

清华长庚医院就诊行肝胆胰脾超声检查的患者183例，其中男性100例，女性83例；年龄22~56岁，平均年龄39.47

岁；身体质量指数18.90~25.40kg/m²，平均身体质量指数21.79kg/m²。行超声视频样本。采用改进的SE-net网络构建标

准切面分类模型，并使用YOLOv8进行脏器自动分割。图像预处理包括归一化、固定区域裁剪，并采用旋转、缩放、对比度

调整等数据增强策略，以提高模型的泛化能力。训练过程中使用交叉损失函数,并在预测阶段结合测试时增强(TTA)

策略优化结果。模型性能通过准确度、召回率、特异度、精确率、Dice系数等指标进行评估。结果所有标准切面图像共计

3492顿。经腹主动脉纵断面388顿；经下腔静脉纵断面84顿；经门静脉右前叶支和胆囊颈部右肋间斜断面110帧；经第

二肝门肋缘下斜断面100顿；肝-肾纵断面447；门静脉左支矢状部断面225顿；胆囊长轴断面956顿；胆囊短轴断面

100顿；肝门部肝外胆管断面32顿；胰腺长轴断面412顿；胰头短轴断面11顿；脾脏肋间前斜冠状断面627顿。该模型

成功实现了对12个上腹部超声标准切面的自动识别与分类。模型在标准切面识别任务中的总体性能指标为：准确度

85.07%，召回率72.61%，特异度98.59%，精确率81.05%。表明该算法能够有效识别上腹部超声标准切面，提高诊断可

靠性。在脏器分割任务中,YOLOv8在肝脏、胆囊、右肾的分割性能较高(Dice=0.87、0.90、0.87),但在胰腺的识别上表现

较差(。结论实验提出的深度学习模型能够高效、准确地识别上腹部超声标准切面，并对脏器进行自动分

Dice=0.38)

割，提升超声检查的标准化程度和诊断一致性，降低对医师经验的依赖，提高超声检查的工作效率。未来研究可进一步优

化模型结构，提高对胰腺等难识别脏器的分割能力，并结合多模态影像进行深度优化，以提升模型在实际临床应用中的

可靠性和适用性。

关键词：深度学习；超声检查；标准切面；压缩和激励网络；YOLOv8

中图分类号：R445.1R572;TP18文献标识码：A

Researchonintelligentclassificationalgorithmforstandardplanerecognitioninupperabdominalultrasoundbase

ondeeplearningZHANGZhe-yuan,ZHANGHua-bin,FENGYue²,MUJin-bao,ZHOULu,ZHENGZhong-qing,

WANGBang-mao,WANGXiu-mingl(l.DepartmentofUltrasound,BeijingTsinghuaChanggungHospital,SchoolofClin-

icalMedicine,TsinghuaUniversity,Beijing102218,C