基于YOLO的脑中线移位精准检测：新型数据集与3D Slicer扩展的突破性研究

本研究针对脑中线移位检测缺乏专用数据集与工具的问题，由研究人员开发了包含AF、PF、SP三个关键标志的新型MRI数据集，并系统评估了YOLOv5/YOLOv8/YOLOv9等模型。最终优选YOLOv5m模型（mAP@0.5:0.95达0.6087）集成至3D Slicer平台，实现从预处理到移位计算的全流程自动化，为脑损伤AI辅助诊断提供开源解决方案。

　　

精准检测脑中线移位对创伤性脑损伤、中风和肿瘤等神经系统疾病的诊断与监测至关重要。为解决该领域专用数据集与工具的缺失，本研究引入新型脑中线检测数据集及3D Slicer扩展模块，系统评估了多种深度学习模型对中线移位的自动检测性能。该数据集专门针对MRI扫描中三个关键脑部标志——前大脑镰（AF）、后大脑镰（PF）和透明隔（SP）的定位而设计。研究人员对YOLOv5（含n/s/m/l四个版本）、YOLOv8和YOLOv9（GELAN-C模型）进行了全面性能评估，并将最优模型集成至3D Slicer平台。该扩展模块包含MRI预处理、滤波、颅骨剥离、配准及中线移位计算等步骤。评估结果显示：YOLOv5l获得最高精确度（0.9601）与召回率（0.9489），YOLOv5m则取得最佳mAP@0.5:0.95分数（0.6087）。YOLOv5n与YOLOv5s损失值最低，体现其高效性；尽管YOLOv8s的mAP@0.5:0.95分数更高（0.6382），但高损失值削弱了其实用性。YOLOv9-GELAN-C表现最差，损失值最高且精度最低。最终选择性能均衡的YOLOv5m作为最优模型，并成功嵌入3D Slicer实现自动化中线检测。通过提供标注数据集、验证可靠的检测流程及开源工具，本研究推动了脑中线评估领域更精准、高效且可及的AI辅助医学影像技术发展。