基于YOLO v11深度学习算法的颌骨囊肿全景片自动检测与分类研究

《BMC Oral Health》：A deep learning approach based on YOLO v11 for automatic detection of jaw cysts

本研究针对颌骨囊肿在全景X线片上影像特征相似、诊断难度大的临床挑战，开发了一种基于YOLO v11深度学习模型的自动检测与分类系统。研究人员通过对311张全景影像（211张囊肿图像，100张正常图像）进行标注和数据增强，训练了多类别（区分含牙囊肿DC、牙源性角化囊肿OKC和根尖囊肿RC）和单类别囊肿检测模型。结果显示，多类别模型的平均精度均值mAP达到86%，F1分数83%，表明YOLO v11能够高精度识别颌骨囊肿，为口腔临床诊断提供了可靠的AI辅助工具。

　　

在口腔临床实践中，颌骨囊肿是常见的放射线可透性病变，但由于其相似的影像学表现，即使是经验丰富的口腔颌面外科医生也时常面临诊断挑战。这些病变可能在无症状的情况下逐渐增大，当发生感染或侵犯重要结构时，治疗变得更为复杂，甚至可能导致功能丧失。传统的诊断金标准——手术活检和组织病理学检查——虽然准确，但具有侵入性且耗时较长，这促使研究人员探索计算机辅助诊断系统和人工智能驱动的新方法。

近年来，深度学习技术特别是卷积神经网络在医学影像分析领域取得了显著进展。在牙科影像学中，CNN已成功应用于龋齿、牙周病及其他颌面部病变的检测，展现出卓越的性能。然而，尽管深度学习在牙科领域的应用日益增多，专注于颌骨囊肿自动检测的研究仍然有限，且多数使用泛化能力有限的传统算法。

在这项发表于《BMC Oral Health》的研究中，Kaygisiz等人引入了一种创新方法，采用最新版本的YOLO v11深度学习模型，专门用于全景X线片上颌骨囊肿的自动检测和分类。YOLO v11作为实时物体检测模型的最新迭代，在速度和效率方面具有显著增强，其先进的骨干网络和颈部架构提供了更精确、更有效的特征提取能力。

该研究最显著的创新点在于使用了YOLO v11 Small模型，并引入了C2PSA（跨阶段部分自注意力）模块，这一改进使模型能够通过结合跨阶段部分网络和自注意力机制的优势，更有效地捕捉多层间的上下文信息。此外，YOLO v11用C3k2模块取代了早期版本中的C2f模块，使用两个小型卷积，在准确性、效率和处理速度之间取得了有效平衡。

关键技术方法

本研究采用了回顾性研究设计，收集了来自土耳其Aydin Adnan Menderes大学口腔颌面外科数据库的311张全景X线片。所有图像经过边缘裁剪至1632×876像素的统一分辨率，并应用对比度受限自适应直方图均衡化技术增强图像质量。使用Roboflow平台进行囊肿边界框标注，数据集按60%训练、20%验证和20%测试的比例随机分割。通过水平翻转、旋转、剪切和模糊等数据增强技术将训练集扩增三倍。采用YOLOv11 Small模型进行训练，最大训练周期为500，使用NVIDIA A100 GPU加速计算。

研究结果

数据集特征与分布

研究共分析了311张全景X线片，其中211张包含经组织病理学证实的放射线可透性病变，100张为无病变的正常图像。在211张病变图像中，共识别出224个囊肿病变（13张图像各包含2个病变）。病变类型包括85个牙源性角化囊肿、44个含牙囊肿和95个根尖囊肿。数据集随机分为训练集（60%）、验证集（20%）和测试集（20%），确保了模型评估的可靠性。

模型性能评估

在多类别检测模型中，YOLOv11取得了86%的平均精度均值，精确度、召回率和F1分数分别为84%、82%和83%。各类别囊肿的检测精度存在差异：含牙囊肿表现最佳，平均精度达到91%；牙源性角化囊肿为85%；根尖囊肿为82%。单类别模型（仅检测囊肿存在与否）的整体性能略低，平均精度均值为84%，F1分数为81%。

不同类型囊肿的检测差异

值得注意的是，尽管含牙囊肿在数据集中数量较少（44例），但其检测性能最高。研究人员分析认为，这可能与含牙囊肿具有更一致、边界更清晰的影像学表现有关。含牙囊肿通常与阻生牙牙冠相关，呈现对称、单房性放射线可透区且有良好骨皮质边界，使模型更易学习和检测。相比之下，根尖囊肿虽然数量最多（95例），但其大小、形状和边界清晰度变异较大，且常位于经过治疗或修复的牙齿附近，这些因素可能增加了检测难度。

研究结论与意义

本研究证实了YOLO v11在全景X线片颌骨囊肿检测和分类中的有效性，多类别模型86%的平均精度均值表明该算法在这一领域具有实际应用潜力。研究结果特别强调了YOLO v11在处理复杂解剖区域（如上颌骨）薄层放射线可透性病变方面的优势，这归功于其先进的架构改进。

从临床角度看，这一AI驱动系统有望集成到现有数字成像系统中，作为实时决策支持工具。在常规影像采集过程中，模型可自动标记可疑的放射线可透性病变，提示临床医生进行更仔细检查或建议专科医生会诊。在普通牙科实践中，这一系统可作为筛查辅助工具，尤其对经验较少的医生有帮助，通过检测可能被忽视的细微放射线可透区域，帮助对需要外科干预的患者进行早期分诊。

然而，作者也谨慎指出，深度神经网络不应单独用于囊肿和病变检测，而应作为辅助工具支持医疗专业人员的专业知识。研究的局限性包括数据集相对较小、囊肿类型分布不均以及单中心数据的局限性。未来需要更大规模、多中心的研究来验证模型在不同临床环境中的稳健性，并探索将这一技术应用于三维影像分析的潜力。

这项研究不仅为基于AI的牙科诊断工具设立了新基准，也突显了先进实时物体检测系统在提高放射线可透性病变诊断准确性方面的临床效用。随着深度学习技术的不断进步，这类工具有望显著改善口腔颌面外科的诊断工作流程和患者预后。