子宫超声图像中子宫内膜的自动化分割、厚度测量及形态预测

旨在开发一种基于AI的模型，用于子宫超声图像中子宫内膜组织的自动识别、厚度测量和形态分型。我们采用了多阶段模型构建和训练方法，对分割、厚度测量及形态判定分别采用了不同方法。共有5985幅独立标注的超声图像用于模型训练和验证。标注图像按 70%/10%/20% 的比例随机分为三组（训练数据、验证数据和测试数据）。其中4787幅图像用于模型开发；1198幅图像用于评估性能。利用单阶段目标检测器（YOLO v8）通过直接目标检测和实例分割系统完成子宫内膜的识别。采用主成分分析方法测定子宫内膜厚度。我们还训练了计算模型，将子宫内膜形态归类为“三线征（trilaminar）”或“均质型（homogenous）”。通过交并比（IoU）、混淆矩阵和误差计算评估模型的效能和准确性。子宫内膜分割模型在混淆矩阵上的准确率达到98%，且92.8%的测试数据交并比（IoU）值 > 0.75。子宫内膜厚度测量的平均绝对误差为：长度 ± 0.89 mm，位置（沿垂直于宫腔轴方向）± 2.81 mm，相对于宫腔的方向为 5.5-degrees。自动判定形态为“三线征”或“均质型”的准确率达到92%。本研究展示了一种用于常规子宫内膜厚度和形态评估的新型自动化方法。我们报告了一种首创的子宫超声图像子宫内膜形态自动判定（均质型 / 三线征）方法。